شناسایی اسپمرهای اجتماعی از دیدگاه¬های متعدد

شبکه¬های اجتماعی آنلاین تبدیل به پلتفرم¬های پرطرفدار برای اسپمرها جهت پخش محتوی و لینک¬های مخرب شده¬اند. روش¬های بهینه¬سازی موجود نوین اساسا از یک نوع اطلاعات ایجاد شده از سوی کاربر (برای مثال دیدگاه مجزا) جهت یادگیری یک مدل طبقه¬بندی برای شناسایی اسپمرها استفاده می¬کنند. به دلیل تنوع و گوناگونی استراتژیهای اسپمرها، رفتار اسپمرها ممکن است به طور کامل تنها به وسیله اطلاعات دیدگاه مجزا شناسایی نشود. برای مقابله با این چالش، ابتدا به لحاظ آماری اهمیت در نظرگیری اطلاعات دیدگاه متعدد را برای مسئولیت تشخیص اسپمر بروی مجموعه داده بزرگ توئییتر در جهان حقیقی تجزیه و تحلیل می¬کنیم. بر این اساس، یک چارچوب تشخیص اسپمر اجتماعی تعمیم¬یافته به وسیله ادغام مشترک اطلاعات دیدگاههای متعدد و یک عبارت ساماندهی اجتماعی نوین به یک مدل طبقه¬بندی پیشنهاد می¬کنیم. به جهت حفظ تمامیت (کامل بودن) مجموعه داده اصلی و تشخیص اسپمرهای زیاد توسط روش پیشنهادی، یک راهکار ساده برای پوشش داده¬های ناموجود (از دست رفته) برای هر دیدگاه معرفی می¬کنیم. نتایج تجربی درباره مجموعه داده توئییتر در جهان حقیقی نشان می-دهند که روش پیش

Highlights•We propose a generalized social spammer detection framework.•The framework integrates multiple view information and a novel social regularization.•Results on a real-world dataset demonstrates the effectiveness of the framework.AbstractOnline social networks have become popular platforms for spammers to spread malicious content and links. Existing state-of-the-art optimization methods mainly use one kind of user-generated information (i.e., single view) to learn a classification model for identifying spammers. Due to the diversity and variability of spammers’ strategies, spammers’ behavior may not be completely characterized only by single view’s information. To tackle this challenge, we first statistically analyze the importance of considering multiple view information for spammer detection task on a large real-world Twitter dataset. Accordingly, we propose a generalized social spammer detection framework by jointly integrating multiple view information and a novel social re