La falta de regulaciones y supervisión en las Redes Sociales en Línea (OSN, por sus siglas en inglés) ha dado lugar al aumento del spam social, que es la difusión de contenido no solicitado y de baja calidad que tiene como objetivo engañar y manipular a los usuarios. El spam social puede provocar una serie de consecuencias negativas para individuos y empresas, como la propagación de malware, estafas de phishing y daño reputacional. Si bien las técnicas de aprendizaje automático pueden utilizarse para detectar spammers sociales mediante el análisis de patrones en los datos, tienen limitaciones como el potencial de falsos positivos y falsos negativos. En contraste, las ontologías permiten el modelado explícito y la representación del conocimiento del dominio, lo que puede utilizarse para crear un conjunto de reglas para identificar a los spammers sociales. Sin embargo, la literatura expone una deficiencia de ontologías que conceptualizan el spam social basado en el dominio. Este documento tiene como objetivo abordar esta brecha mediante el diseño de una ontología específica del dominio llamada DSpamOnto para detectar spammers sociales en microblogging que se dirige a un dominio específico. DSpamOnto puede identificar spammers sociales en función de su comportamiento específico del dominio, como publicar contenido repetitivo o irrelevante y utilizar información engañosa. El modelo propuesto se compara y se evalúa con modelos de ML bien probados utilizando varios métricas de evaluación para verificar y validar su utilidad en la captura de spammers sociales.