通过反复试验（当然还有模式拟合），我们设计了一个评分系统，可以正确识别超过 65% 的垃圾邮件帐户。 请务必记住，没有任何一个因素可以告诉我们某个帐户是垃圾帐户！发出的垃圾信号越多，帐户成为垃圾帐户的可能性就越大，因此我们的系统会使用 7-10+ 个标记，然后才将帐户评定为“低质量”或虚假帐户。 如何应用这些数字？ 如果您要分析 Twitter 帐户以确定其真正的覆盖面和影响力，SparkScore（用于衡量推文的真实参与度）和虚假关注者审核都非常有用。
些表面上看起来有很多关注者
（甚至参与度很高）的帐户实际上 马来西亚电讯数据库 可能被大量虚假帐户关注。一个拥有 100,000 名关注者且 20% 为虚假的帐户可以覆盖的人数要比一个拥有 200,000 名关注者且 70% 为虚假的帐户多得多。 几周前，我在 Twitter 上询的例子，并收到了很多精彩的回复： 虚假粉丝审计结果出奇地好地证实了该帖子中人们提出的大部分例子，例如 @JoeMande 的虚假粉丝 是假粉丝 Twitter 上的人们肯定很清楚谁的粉丝是真的，谁的粉丝是假的SparkToro 的下一步计划 Casey 和我预计这将是我们推出的最后一款免费工具，之后我们将把全部精力放在 SparkToro Audience Intelligence 产品上（我们希望明年上半年推出）。
我们很高兴能够验证
SparkScore 的方法，并添加过滤虚假 加拿大电话号码 粉丝的功能。我们的目标是在最终工具中覆盖多个网络和整个网络（不仅仅是 Twitter），但使用 Twitter 进行验证确实很有帮助。 如果您对此或 SparkScore 有任何反馈，请发表评论或发推文给。谢谢！也许这是不可避免的。在一个鼓励垄断、要求垄断企业提高增长率、获取更多收入（无任何警告或例外）的体制下，我们可能不应该感到惊讶。但我们应该做好准备。
