تشخيص اسپم در شبكه‌هاي اجتماعي با استفاده از يادگيري تركيبي

Spam Detection in Social Networks Using Ensemble Learning

امروزه شبكه‌هاي اجتماعي جايگاه ويژه‌اي در زندگي و روابط بشر پيدا كرده است. در ميان اين شبكه‌ها توييتر به فضايي محبوب براي تبادل اطلاعات و نظرات در جهان تبديل شده است. اين ميزان محبوبيت و جامعيت، هدف مناسبي جهت فعاليت‌هاي مخرب و اسپمرها شده است. در راستاي مقابله با اسپم مطالعات فراواني با رويكردهاي يادگيري ماشين صورت گرفته است و محققان نتايج اميدوار كننده‌اي به دست آورده‌اند. در سال هاي اخير الگوريتم هاي يادگيري تركيبي به عنوان يكي از تكنيك‌هاي يادگيري نظارتي مدرن با توجه به دقت بالاي آن يكي از گزينه‌هاي مناسب در فرآيند داده كاوي مورد استفاده قرار گرفته است. در اين مقاله استفاده از يادگيري تركيبي براي تشخيص اسپم در شبكه اجتماعي توييتر پيشنهاد شده است. در روش پيشنهادي پس از جمع آوري داده‌اي، پيش پردازي، استخراج و انتخاب ويژگي‌هاي مناسب، سپس طبقه‌بندي توسط يادگيري تركيبي با استفاده از درخت تصميم، نزديكترين همسايه و بيز ساده صورت گرفته است و نتايج حاصل در مقايسه با ساير الگوريتم هاي طبقه بندي مورد مقايسه و ارزيابي قرار گرفته است.