Publikace detail

Spam detection on social networks using cost-sensitive feature selection and ensemble-based regularized deep neural networks

Autoři: Barushka Aliaksandr | Hájek Petr

Rok: 2020

Druh publikace: článek v odborném periodiku

Název zdroje: Neural Computing and Applications

Název nakladatele: Springer

Místo vydání: New York

Strana od-do: 4239-4257

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Detekce spamu na sociálních sítích pomocí selekce atributů a souborů regularizovaných hlubokých neuronových sítí	Detekce spamu na sociálních sítích je stále důležitější díky rychlému růstu uživatelské základny sociálních sítí. K řešení tohoto složitého problému je třeba vyvinout sofistikované filtry nevyžádané příspěvky. Tradiční přístupy ke strojovému učení, jako jsou neuronové sítě, podpůrné vektorové stroje a Naive Bayes, nejsou dostatečně účinné ke zpracování a využití komplexních atributů přítomných ve vysokodimenzionálních datech o spamu v sociální síti. Tradiční účelové funkce filtrů nevyžádaných příspěvků na sociálních sítích navíc nemohou zvládnout různé náklady spojené s chybami typu I a typu II. K překonání těchto problémů zde navrhujeme nový nákladově citlivý přístup k filtrování spamu na sociálních sítích. Navrhovaný přístup se skládá ze dvou fází. V první fázi se používá víceúčelová evoluční selekce atributů, aby se minimalizovaly jak náklady na nesprávnou klasifikaci navrhovaného modelu, tak počet atributů nezbytných pro filtrování spamu. Poté přístup využívá nákladově citlivé techniky učení pomocí souboru regularizovaných hlubokých neuronových sítí jako základních klasifikátorů. Ukazujeme, že tento přístup je efektivní pro filtrování spamu na sociálních sítích na dvou srovnávacích souborech dat. Ukážeme také, že navrhovaný přístup překonává jiné populární algoritmy používané při filtrování spamu v sociálních sítích, jako je náhodný les, Naive Bayes nebo podpůrné vektorové stroje.
eng	Spam detection on social networks using cost-sensitive feature selection and ensemble-based regularized deep neural networks	Spam detection on social networks is increasingly important owing to the rapid growth of social network user base. Sophisticated spam filters must be developed to deal with this complex problem. Traditional machine learning approaches such as neural networks, support vector machines and Naive Bayes classifiers are not effective enough to process and utilize complex features present in high-dimensional data on social network spam. Moreover, the traditional objective criteria of social network spam filters cannot cope with different costs assigned to type I and type II errors. To overcome these problems, here we propose a novel cost-sensitive approach to social network spam filtering. The proposed approach is composed of two stages. In the first stage, multi-objective evolutionary feature selection is used to minimize both the misclassification cost of the proposed model and the number of attributes necessary for spam filtering. Then, the approach uses cost-sensitive ensemble learning techniques with regularized deep neural networks as base learners. We demonstrate that this approach is effective for social network spam filtering on two benchmark datasets. We also show that the proposed approach outperforms other popular algorithms used in social network spam filtering, such as random forest, Naive Bayes or support vector machines.	Neural network; Social networks; Regularization; Ensemble learning; Misclassification cost

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte