افزایش دقت تشخیص پست های اسپم در شبکه های اجتماعی با استفاده از سیستم ایمنی مصنوعی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 782

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

RCEITT02_048

تاریخ نمایه سازی: 22 آبان 1395

چکیده مقاله:

امروزه، شبکه های اجتماعی آنلاین مانند فیسبوک، لینکداین، توییتر و ...از محبوب ترین برنامه های کاربردی اینترنتی به شمارمی آیند. یکی از مهمترین فعالیت های کاربران در شبکه های اجتماعی، ارسال و همچنین مشاهده پست ها می باشد. اما متاسفانهاسپمرها نیز از طریق ارسال پست می توانند به اهداف خود نظیر دسترسی به اطلاعات شخصی کاربران، انتشار ویروس و ...دستیابند. تاکنون روشهای متعددی به این منظور ارائه شده اند که مبتنی بر الگوریتم های یادگیری ماشین و داده کاوی می باشند. امااین روش ها از مشکلاتی همچون پایین بودن نرخ تشخیص و نیز بالا بودن نرخ مثبت کاذب رنج می برند. بنابراین با درنظرگرفتنویژگی های سیستم ایمنی مصنوعی و کارایی بالای آن در مساله تشخیص، تصمیم گرفتیم در این پژوهش از این سیستم درتشخیص اسپم استفاده نماییم. علاوهبر کاربرد نتایج این تحقیق در بهبود تشخیص پست های اسپم، نتایج تحقیق می تواند درمسائل تشخیصی مشابه همچون مساله تشخیص ایمیل های اسپم، تشخیص ویروس، تشخیص و فیلترینگ Pop up، تشخیص و فیلترینگ پیام های کوتاه مزاحم و ...نیز کاربرد داشته باشد. فرضیه های تحقیق، شامل چگونگی افزایش نرخ تشخیص پست هایاسپم و کاهش نرخ مثبت کاذب در شناسایی این پست ها در شبکه های اجتماعی با استفاده از مفاهیم سیستم ایمنی می باشد.برای انجام آزمایش های ارزیابی دو مجموعه داده مورداستفاده قرار گرفته است: مجموعه داده شناسایی اسپمرها در توییتر به عنوانمجموعه داده آموزشی با اندازه کوچک و مجموعه داده تشخیص اتوماسیون اسپمرها در توییتر به عنوان مجموعه داده آزمایشی.الگوریتم پیشنهادی در مقایسه با کارهای پیشین انجام شده در این زمینه، دارای کارایی بیشتری می باشد. این روش به طورمیانگین از دقت برابر با 0.975 و در بهترین حالت دقت برابر با 0.98 و میزان Recall برابر با 0.96 برخوردار می باشد.

نویسندگان

مولود ترک

دانشگاه شیخ بهایی، استادیار دانشکده فنی و مهندسی شیخ بهایی

مهدی باطنی

دانشگاه شیخ بهایی، استادیار دانشکده فنی و مهندسی شیخ بهایی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Wang, Alex Hai. "Don't follow me: Spam detection in twitter." ...
  • Goncalves, Luis Carlos Calado Lameirao. "Middleware for facebook: information analysis ...
  • S. Forrest, S.A. Hofmeyr, A. Somayaji, "Computer immunology", C ommunicatios ...
  • S. Hofmeyr and S. Forrest. "Immunity by design". In Proc. ...
  • D. Dasgupta, Artificial Immune Systems and Their Applications. Berlin, Germany: ...
  • Michalewicz, Zbigniew. Genetic algorithms+ data structures= evolution programs. Springer Science ...
  • Watkins, Andrew, Jon Timmis, and Lois Boggess. "Artificial immune recognition ...
  • spammers." C ommunication Systems and Networks (COMSNETS), 2013 Fifth International ...
  • Yang, Chao, Robert Chandler Harkreader, and Guofei Gu "Die free ...
  • Alpaydin, Ethem. Introduction to machine learning. MIT press, 2014. ...
  • نمایش کامل مراجع