Oliver,<div><br></div><div>there are easier ways that taking lg models beyond the sentence. (And even if we did, the  clever spammer could use those lg models in 'generation' mode so keep ahead of us.)  One is to piggyback on the large amounts of work that Google and Bing do to stay ahead of the spammers, eg by using BootCaT.  They are putting lots of effort into not giving spam as top search hits, so if we use pages that they propose, we avoid most spam<br>

<br></div><div>Adam</div><div><br><div class="gmail_quote">On 16 November 2010 14:54, Oliver Mason <span dir="ltr"><<a href="mailto:O.Mason@bham.ac.uk">O.Mason@bham.ac.uk</a>></span> wrote:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex;">

I believe language models need to take structure beyond the sentence<br>
into account. Then it would be fairly obvious that you're looking at a<br>
list of sentences rather than a text; just as we can already<br>
distinguish between a list of words and a proper sentence.<br>
<br>
The problem, then, is how to push language models up one level...<br>
<br>
Oliver<br>
<br>
On 16 November 2010 12:34, Justin Washtell <<a href="mailto:lec3jrw@leeds.ac.uk">lec3jrw@leeds.ac.uk</a>> wrote:<br>
> Hi Serge,<br>
><br>
> I can think of one or two half-hearted angles of attack, but nothing off the top of my head which couldn't readily be out-foxed by the very next wave of link-spammers. Indeed, any half-decent language models we do develop, are ripe for exploitation directly by the spammers. Given that very fundamental trait of language: its generative capacity, I am inclined to think that the spammers have the upper hand in this one. It's a bit like a war between viruses and anti-virus software, except in a world where a "legitimate" program is largely defined by the fact that it self-replicates and self-obfuscates. My initial suspicion is therefore that this is a genuinely hard - borderline impossible - problem. Mind you, that's exactly what makes it interesting... so I shall give it some more thought :-)<br>


><br>
> Justin Washtell<br>
> University of Leeds<br>
><br>
> ________________________________________<br>
> From: <a href="mailto:corpora-bounces@uib.no">corpora-bounces@uib.no</a> [<a href="mailto:corpora-bounces@uib.no">corpora-bounces@uib.no</a>] On Behalf Of Serge Sharoff [<a href="mailto:s.sharoff@leeds.ac.uk">s.sharoff@leeds.ac.uk</a>]<br>


> Sent: 16 November 2010 09:12<br>
> To: <a href="mailto:corpora@uib.no">corpora@uib.no</a><br>
> Subject: [Corpora-List] Deviations in language models on the web<br>
<div><div></div><div class="h5">><br>
> Dear all,<br>
><br>
> in doing webcrawls for linguistic purposes, I recently came across an<br>
> approach to link spamming or SEO optimisation that involves taking<br>
> sentences from a large range of texts (mostly out-of-copyright fiction),<br>
> mixing the sentences randomly, injecting the name of a product (or other<br>
> keywords) and creating thousands of webpages.<br>
><br>
> The intent is probably to fool search engines into thinking these are<br>
> product reviews or descriptions, but the implication for linguistics is<br>
> that we get polluted language models, in which mobile phones collocate<br>
> with horse drawn carriages.<br>
><br>
> SEO-enhanced pages I came across in the past contained random word lists<br>
> with keywords injected.  It was possible to deal with such cases by<br>
> n-gram filtering.  However, this simple trick doesn't work any longer,<br>
> as the sentences are to a very large extent entirely grammatical.<br>
><br>
> Any experience from others and suggestions on how to deal with this<br>
> phenomenon.<br>
><br>
> Best,<br>
> Serge<br>
><br>
><br>
> _______________________________________________<br>
> Corpora mailing list<br>
> <a href="mailto:Corpora@uib.no">Corpora@uib.no</a><br>
> <a href="http://mailman.uib.no/listinfo/corpora" target="_blank">http://mailman.uib.no/listinfo/corpora</a><br>
><br>
> _______________________________________________<br>
> Corpora mailing list<br>
> <a href="mailto:Corpora@uib.no">Corpora@uib.no</a><br>
> <a href="http://mailman.uib.no/listinfo/corpora" target="_blank">http://mailman.uib.no/listinfo/corpora</a><br>
><br>
<br>
<br>
<br>
</div></div><font color="#888888">--<br>
Dr Oliver Mason<br>
Technical Director of the Centre for Corpus Research<br>
Head of Postgraduate Studies (Doctoral Research)<br>
School of English, Drama, and ACS<br>
The University of Birmingham<br>
Birmingham B15 2TT<br>
</font><div><div></div><div class="h5"><br>
_______________________________________________<br>
Corpora mailing list<br>
<a href="mailto:Corpora@uib.no">Corpora@uib.no</a><br>
<a href="http://mailman.uib.no/listinfo/corpora" target="_blank">http://mailman.uib.no/listinfo/corpora</a><br>
</div></div></blockquote></div><br><br clear="all"><br>-- <br>================================================<br>Adam Kilgarriff                                      <a href="http://www.kilgarriff.co.uk">http://www.kilgarriff.co.uk</a>              <br>

Lexical Computing Ltd                   <a href="http://www.sketchengine.co.uk">http://www.sketchengine.co.uk</a><br>Lexicography MasterClass Ltd      <a href="http://www.lexmasterclass.com">http://www.lexmasterclass.com</a><br>

Universities of Leeds and Sussex       <a href="mailto:adam@lexmasterclass.com">adam@lexmasterclass.com</a><br>================================================<br>
</div>