тут так же? почитать и тд? )))

В образовательных целях, все верно )

Коллеги, привет. Есть такая задача - есть полмиллиона записей с пользовательскими данными (имейл, телефон, имя, фамилия, информация о девайсе). Среди этих записей есть около 10000 "плохих" пользователей, которых надо деактивировать и не давать регистрироваться впредь. Плохие пользователи отличаются от хороших тем, что используют похожие имена и фамилии, фейковые адреса почты, подчиняющиеся какой-то логике именования (например, на этой неделе они регистрируются как b1@gmail.com, b2@, b3@, а на следующей как kay1@gmail.com, kay2@, etc.). То есть я своим взглядом почти наверное могу отличить фейка от нормального человека. Вопрос - как это сделать программно? Лезет в голову что-то про ML, потому что это похоже на задачу классификации - есть категории и атрибуты, но нет четких правил принятия решения. Но я в мл ничего не знаю ( может у кого-то есть опыт решения подобных задач? Достаточно будет подсказать, в какую сторону смотреть, на какие книжки, сайты, средства, фреймворки и т.п. И, желательно, чтобы все же на джаве )

Правило формата email’a ограничивается {префикс}{число}@{домен} ?

Или есть более сложные варианты?

Емейлы валидные, но несуществующие, вариантов масса, с числами и без, буквенная часть тоже варьируется, так что регекс это не вариант. При этом у хорошего пользователя тоже может быть несуществующий емейл, и банить его не надо )

То есть система построена так что фейки не фильтруются?

Названные email’ы это боты? Нельзя по капче отфильтровать?

Какой критерий фейка?

либо удалять если email не подтвержден в течении нескольких дней

Фейковые адреса не фильтруются, да. Регистрирует их человек, так что капча не вариант.

Это сайт знакомств?

Из других способов фильтрации фейков - фейсбук авторизация, смс

Формального критерия нет. Неформальный примерно такой - несуществующий или подозрительно короткий емейл, имя из определенного набора (например, Carl, Jason, Mason, John, Abby, Nicki, etc, имена всегда новые) фамилия или латиноамериканская, или начинается на С или J, но тоже не всегда. Это не сайт знакомств, и вводить новые ограничения на регистрацию (подтверждение почты, обязательная авторизация через соцсети) тоже нельзя.

Важнее вопрос - как распознать записи, удовлетворяющие такому критерию?

За ссылку на курсеру спасибо, но это долгий и понятный путь. Может есть какие-то библиотеки алгоритмов, которые можно подключить, обучить, и дергать программно?

может есть переводичность регистраций, ip адрес регистрируемого. Если сайт то еще можно прибавить useragent, информация, которую может вытянуть фронтенд(разрешение экрана, доступные api браузера, скорость формирования запроса и.т.п)

Это мобильное приложение

Так что банить по айпи опасно )

и инфорация об используемой мобилке разная?

Уже реализован бан по девайс айди, но противник делает хард ресет или использует udid faker, так что тоже не помогает )