کشف اسپمرها در شبکه های اجتماعی با استفاده از ماشین یادگیری رویکردی مبتنی بر بازخوردکاربران
- سال انتشار: 1396
- محل انتشار: کنفرانس ملی فناوری های نوین در مهندسی برق و کامپیوتر
- کد COI اختصاصی: PCCO01_384
- زبان مقاله: فارسی
- تعداد مشاهده: 505
نویسندگان
کارشناسی ارشد مهندسی کامپیوتر نرم افزار،گروه مهندسی کامپیوتر،پردیس علوم و تحقیقات اردبیل، دانشگاه آزاد اسلامی اردبیل،ایران
دانشیار گروه مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، موسسه آموزش عالی رجا، قزوین
دانشیار مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، عضو هیات علمی دانشگاه آزاد اسلامی واحد اردبیل
چکیده
امروزه شبکه های اجتماعی به یکی از رایج ترین ابزارهای ارتباطی در زندگی روزمره بشر تبدیل شده است. ارتباط حاصل در این شبکه ها می تواند یک مکالمه ساده دوستانه باشد و یا یک موضوع مهم تجاری و غیره. متاسفانه همین عمومیت و سادگی باعث ایجاد هرزنامه نویسان و کلاه برداران اینترنتی شده است ، مسیله ای که روزی کم اهمیت جلوه می نمود ، امروزه به معضلی جدی برای میلیون ها کاربر بدل شده است . هم زمان با پیدایش هرزنامه محققین نیز روش هایی برای برخورد با این پدیده معرفی کرده اند تنوع روش های پیشنهادی بسیار زیاد است ، از تکنیک های ساده مبتنی بر قوانین گرفته تا تکنیک های پیچیده در هوش مصنوعی . در میان کارهای انجام شده روش های مبتنی بر الگوریتم یادگیری ماشینی حجم گسترده ای در کارهای مرتبط در این ضمینه را به خود اختصاص داده است و نتایج بسیار خوبی از این روش ها حاصل شده است در این مقاله، یک راه حل نظارتی مبتنی بر یادگیری ماشین وجود دارد که برای تشخیص کآرای اسپمر ارایه شده است. ابتدا، یک مجموعه داده از گوگل پلاس جمع آوری شده است که شامل 30116 کاربرو بیش از 16 میلیون پیام است. پس از آن، مجموعه داده نشاندار از کاربران ساخته می شود . کاربران به صورت دستی به اسپمرها و غیر- اسپمرها طبقه بندی شده. سپس، مجموعه ای از ویژگی هایی را از محتوای پیام ها و رفتار اجتماعی کاربران استخراج می کند،در ماشین بردار پشتیبانی می کرده بر اساس الگوریتم تشخیص اسپمر اعمال می کند در نهایت آزمایش ما نشان می دهد که راه حل پیشنهادی قادر به ارایه عملکرد عالی با میزان مثبت واقعی اسپمر 99.5% و غیر اسپمر 99.9% استکلیدواژه ها
شبکه های اجتماعی ، اسپمر، ماشین یادگیری ،هرزنامه، غیر اسپممقالات مرتبط جدید
- ارزیابی تاثیر حلال های الکترولیت بر عملکرد باتری های لیتیوم-یون در دماهای پایین
- بررسی و ساخت مواد الکترودی کامپوزیتی با عملکرد بالا برای ابرخازن های نامتقارن دو الکترودی
- بررسی اثر پارامترهای جوش فلز فراصوتی مواد ناهمجنس در باطری های لیتیومی بر خواص مکانیکی و ریزساختار
- بررسی تاثیر حضور همزمان SnS-Graphene-CNT درساختار باتری یون لیتیومی
- ارزیابی مدل های مدار معادل باتری لیتیومی با رویکرد تجربی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.