روش دوگانه‌ی بهینه‌سازی ازدحام ذرات دودویی بهبودیافته و جهش قورباغه‌ی آمیخته برای انتخاب ویژگی

در حال حاضر اکثریت مردم به اشتراک‌گذاری ایده‌ها، بازخوردها، پیشنهاد برای هر موضوع مجزا در وبگاه‌ها ، انجمن‌های اینترنتی و بلاگ‌‌ها علاقه‌مند هستند. بنابراین، مصرف‌کنندگان قبل از خرید محصول یا بهره‌وری از خدمات، به ارزیابی‌ها و نقدهای پیشین اتکا می‌کنند. هرچند تمام نقدهای موجود در اینترنت معتبر نیستند. هرزنامه‌ها نقدها را به نفع خود، کاهش ارزش یا ارتقای محصول، دستکاری می‌کنند. بنابراین، مشتری‌ها تحت تاثیر نقدهای جعلی، مانند محتوای اسپم ، تصمیم اشتباه اتخاذ می‌کنند. برای حل این مشکل، روش دوگانه‌ی بهبود بهینه‌سازی ازدحام ذرات دودویی و الگوریتم جهش قورباغه‌ی آمیخته پیشنهاد شده تا ابعاد بزرگ مجموعه‌ی ویژگی کاهش و زیرمجموعه‌ی بهینه‌سازی شده‌ی ویژگی انتخاب شود. روش ما به نادیده‌گرفتن نقدهای جعلی توسط مشتری‌ها کمک کرده و عملکرد طبقه‌بندی را با تامین نقدهای مطمئن افزایش می‌دهد. برای طبقه‌بندی از دسته‌بندی‌کننده‌های بیز ساده ، نزدیک‌ترین همسایه K ، ماشین بردار پشتیبانی استفاده شده است. با توجه به نتایج روش دوگانه‌ی پیشنهادی انتخاب ویژگی، یک زیرمجموعه‌ی بهینه‌ی ویژگی ارائه کرده و از دقت بال

Currently, the masses are interested in sharing opinions, feedbacks, suggestions on any discrete topics on websites, e-forums, and blogs. Thus, the consumers tend to rely a lot on product reviews before buying any products or availing their services. However, not all reviews available over internet are authentic. Spammers manipulate the reviews in their favor to either devalue or promote products. Thus, customers are influenced to take wrong decision due to these spurious reviews, i. e., spammy contents. In order to address this problem, a hybrid approach of improved binary particle swarm optimization and shuffled frog leaping algorithm are proposed to decrease high dimensionality of the feature set and to select optimized feature subsets. Our approach helps customers in ignoring fake reviews and enhances the classification performance by providing trustworthy reviews. Naive Bayes (NB), K Nearest Neighbor (kNN) and Support Vector Machine (SVM) classifiers were used for classification.