Modelo para la identificación de fraudes en publicaciones de venta de productos con Scraping en Facebook

• Medina López, Sergio Alexander ^[1]
  1. [1] Universidad Mayor de San Andrés

     Universidad Mayor de San Andrés

     Bolivia

     
• Localización: Actas Iberoamericanas en Ciencias Sociales: AICIS, ISSN-e 3028-435X, Vol. 2, Nº. 1, 2024, págs. 148-158
• Idioma: español
• Títulos paralelos:
  • Model for identifying fraud in product sales postings with Scraping on Facebook
• Enlaces
  • Texto completo
• Resumen
  • español

    El artículo presenta un modelo para la identificación de fraudes en publicaciones de venta de productos en grupos de Facebook, utilizando técnicas de scraping y procesamiento del lenguaje natural (NLP). Con el crecimiento del comercio electrónico en redes sociales, han aumentado los casos de fraudes, lo que motiva la necesidad de soluciones efectivas. El modelo comienza con la extracción de datos de publicaciones de productos en grupos de compra / venta Facebook usando bibliotecas de Python como BeautifulSoup y Selenium, estos datos son luego procesados y analizados mediante técnicas de NLP apoyados en (gpt-3.5-turbo-instruct) para identificar patrones y evaluar la relación entre artículos y comentarios. El modelo emplea el coeficiente alfa de Cronbach para validar la consistencia interna de las evaluaciones y utiliza la detección de anomalías para identificar patrones inusuales que podrían indicar fraudes. Los resultados muestran que el modelo es eficaz en la identificación de fraudes, ofreciendo una solución adaptada a las características específicas de Facebook. La integración de scraping y NLP proporciona una herramienta valiosa para mejorar la precisión en la detección de fraudes, contribuyendo significativamente al campo de la inteligencia de negocios y fortaleciendo la confianza en el comercio electrónico en redes sociales.

  • English

    The article presents a model for identifying fraud in product sales posts in Facebook groups, using scraping and natural language processing (NLP) techniques. With the growth of e-commerce in social networks, fraud cases have increased, which motivates the need for effective solutions. The model starts with data mining of product posts on Facebook buy/sell groups using Python libraries such as BeautifulSoup and Selenium, this data is then processed and analyzed using NLP techniques supported by (gpt-3.5-turbo-instruct) to identify patterns and evaluate the relationship between items and comments. The model employs Cronbach's alpha coefficient to validate the internal consistency of the evaluations and uses anomaly detection to identify unusual patterns that could indicate fraud. The results show that the model is effective in identifying fraud, offering a solution tailored to the specific characteristics of Facebook. The integration of scraping and NLP provides a valuable tool to improve fraud detection accuracy, contributing significantly to the field of business intelligence and strengthening trust in e-commerce on social networks.