تشخیص ناهنجاری در شبکه های اجتماعی با استفاده از یادگیری عمیق و گراف های توجه

شبکه های اجتماعی امروزه به بخش جدایی ناپذیری از زندگی روزمره تبدیل شده اند اما همین پلتفرم ها با چالش جدی فعالیت های ناهنجار و مخرب مانند ربات های اجتماعی، اخبار جعلی و دستکاری افکار عمومی مواجه هستند. این مقاله به بررسی جامع روش های تشخیص ناهنجاری در شبکه های اجتماعی با تاکید ویژه بر رویکردهای مبتنی بر یادگیری عمیق و گراف های توجه می پردازد. با توجه به ماهیت پویا، ناهمگن و بزرگ مقیاس شبکه های اجتماعی، روش های سنتی مبتنی بر ویژگی های دستی و یادگیری ماشین کلاسیک توانایی لازم برای مقابله با الگوهای پیچیده و در حال تکامل حملات را ندارند. در این پژوهش ابتدا چارچوب های مبتنی بر شبکه های عصبی گرافی (GNN) شامل شبکه های پیچشی گرافی (GCN) و شبکه های توجه گرافی (GAT) بررسی می شوند، سپس معماری های پیشرفته مبتنی بر مکانیزم توجه و ترنسفورمرها که قادر به مدل سازی وابستگی های دوربرد در ساختارهای گرافی هستند تحلیل می گردند. به طور ویژه روش های نوینی مانند ST MVAN (شبکه توجه چندنمایی مکانی زمانی) و BotLGT (تشخیص ربات مبتنی بر ترنسفورمر گرافی و زبان های بزرگ) مورد بررسی عمیق قرار می گیرند. این پژوهش نشان می دهد که رویکردهای ترکیبی که مدل های زبانی بزرگ (LM) را با گراف های توجه تلفیق می کنند، قادر به دستیابی به دقت تا ۹۸.۵ درصد در تشخیص ربات های اجتماعی هستند. همچنین، چالش های موجود از جمله مقیاس پذیری، تفسیرپذیری و عدم توازن داده ها بررسی شده و مسیرهای تحقیقاتی آینده ترسیم می گردد. یافته های این مقاله نشان می دهد که استفاده از مکانیزم های توجه، اسپارس فیوژن تطبیقی چند نمایی و رمزگذارهای خودکار مبتنی بر بازسازی خطا بهبود معناداری در شاخص AUC تا ۱۲.۲۶ درصد نسبت به روش های پایه ایجاد می کند.

کلیدواژه ها:

تشخیص ناهنجاری ، شبکه های اجتماعی ، یادگیری عمیق ، گراف ، توجه ، شبکه عصبی گرافی ، تشخیص ربات ، اخبار جعلی ، پردازش زبان طبیعی