کشف فریب در شبکه های اجتماعی با استفاده از خوشه بندی داده های بازسازی شده

امروزه با استفاده از روش های یادگیری ماشین برای کشف الگوهای پنهان در شبکه های اجتماعی از طریق تجزیه و تحلیل مجموعه داده های بزرگ تعاملات اجتماعی، محققان به بینش جدیدی در مورد پویایی و رفتار اجتماعی دست می یابند. این تکنیک ها می توانند جوامع ناشناخته قبلی، افراد با نفوذ و الگوهای انتشار اطلاعات را آشکار کنند. این متد، پتانسیل روشن کردن انواع پدیده های اجتماعی از جمله شیوع بیماری ها، شایعات، جنبش های سیاسی و همکاری های علمی را دارد. این مقاله یک رویکرد جدید برای تشخیص فریب در شبکه های اجتماعی با استفاده از خوشه بندی داده های بازسازی شده ارائه می کند. این روش شامل بازسازی مقادیر گمشده در داده های شبکه اجتماعی با استفاده از تکنیکی به نام EinImpute می باشد که بر اساس یک روش مبتنی بر گراف ضمن جانهی داده ها، اقدام به بازسازی مجموعه داده می کند، سپس با استفاده از الگوریتم خوشه بندی K-means++ اقدام به شناسایی الگوهای رفتار فریبنده کاربران می کند. روش پیشنهادی با استفاده از زبان R پیاده سازی و نتایج تجربی بر روی مجموعه داده دنیای واقعی Movielens و بر اساس معیارهای معروف ARI، NMI و Purity نشان دهنده بهبود نتایج خوشه بندی روش پیشنهادی نسبت به سایر روش ها می باشد. همچنین تست پایداری نشان می دهد که روش پیشنهادی از نرخ پایداری بالایی برخوردار است که امیدواری برای استفاده از آن در شرایط مختلف را افزایش می دهد. به طور کلی نتایج حاصل نشان دهنده ی اثربخشی روش پیشنهادی در تشخیص فریب می باشد که می تواند ضمن کمک به محققان در این حوزه، پیامدهای عملی را برای پلتفرم های رسانه های اجتماعی و آژانس های مجری قانون در شناسایی کلاهبرداری های احتمالی و انتشار دهندگان اطلاعات نادرست ارائه کند.

Keywords:

کلیدواژه ها: شبکه های اجتماعی , پیش پردازش , خوشه بندی , کشف فریب