تشخیص هرزنامه در شبکه اجتماعی با انتخاب ویژگی مبتنی بر الگوریتم بهینه سازی شاهین هریس بهبود یافته با جستجوی سینوس و کسینوس

شبکه های اجتماعی نقش مهمی در برقراری ارتباطات بین کاربران اینترنت، فروش محصولات یا اعلام نظرات کاربران دارد. تحلیل اطلاعات شبکه اجتماعی به درک ما از جامعه کمک زیادی می کند اما این بستر ارتباطی دارای چالش هایی مانند هرزنامه است. هرزنامه به ارسال پیام های مخرب برای سایر کاربران با هدف سرقت یا تبلیغات و موارد دیگر گفته می شود. یادگیری ماشین برای تشخیص هرزنامه روشی کارآمد است که با چالش هایی مانند استخراج ویژگی، عدم تعادل مجموعه داده، عدم انتخاب ویژگی هوشمندانه و یادگیری انفرادی مواجه است. برای رفع این چالش ها یک رویکرد ترکیبی بر پایه یادگیری گروهی و هوش گروهی ارائه شده است. در روش پیشنهادی از روش SMOTE برای متعادل سازی نمونه ها استفاده می شود و برای انتخاب ویژگی یک نسخه بهبود یافته از الگوریتم بهینه سازی شاهین هریس ارائه می شود. از یادگیری گروهی بین روش های شبکه عصبی چند لایه، ماشین بردار پشتیبان و جنگل تصادفی استفاده می شود تا دقت تشخیص هرزنامه افزایش داده شود. نتایج آزمایشات نشان می دهد در مجموعه داده TKS-۱۰KN دقت، حساسیت و صحت الگوریتم پیشنهادی برابر ۹۸.۴۷، ۹۸.۲۹ و ۹۷.۸۲ است. در مجموعه داده Honeypot دقت، حساسیت و صحت روش پیشنهادی برابر ۹۷.۸۲، ۹۶.۵۹ و ۹۶.۴۷ است. آزمایشات نشان می دهد دقت روش پیشنهادی در تشخیص هرزنامه از روش های CRF، MDGCN، ACO-DSCP، HGSDT، BGSRF بیشتر است.

کلیدواژه ها:

شبکه های اجتماعی ، یادگیری گروهی ، هرزنامه ، الگوریتم بهبود یافته شاهین ، هوش گروهی