دانلود مقاله و خرید ترجمه:الگوریتم ژنتیک چند هدفه و طرح معماری یادگیری عمیق مبتنی بر CNN برای تشخیص موثر spam - 2022
دانلود بهترین مقالات isi همراه با ترجمه فارسی 2
مقالات ترجمه شده یادگیری عمیق ( deep learning )
  • Multi-Objective Genetic Algorithm and CNN-Based Deep Learning Architectural Scheme for effective spam detection الگوریتم ژنتیک چند هدفه و طرح معماری یادگیری عمیق مبتنی بر CNN برای تشخیص موثر spam
    دانلود مقاله | مقاله انگلیسی رایگان | خرید ترجمه فارسی مقاله

    سال انتشار:

    2022


    ترجمه فارسی عنوان مقاله:

    الگوریتم ژنتیک چند هدفه و طرح معماری یادگیری عمیق مبتنی بر CNN برای تشخیص موثر spam


    عنوان انگلیسی مقاله:

    Multi-Objective Genetic Algorithm and CNN-Based Deep Learning Architectural Scheme for effective spam detection


    منبع:

    ScienceDirect- Elsevier- International Journal of Intelligent Networks 3 (2022) 9–15


    نویسنده:

    Jenifer Darling Rosita P a,*, W: Stalin Jacob b


    چکیده انگلیسی:

    E-mail has traditionally been regarded as the most powerful medium in online social networks, where users can discuss, connect, and share links with other online social media users. In particular, Twitter, in particular, has been determined to be the most popular social network that serves as the best communication channel for its users to share current news, ideas, thoughts, comments, and beliefs with other online social media users. Despite the efforts put in to combat spam operations on the online social network, Twitter spam has a new type of functionality that is limited to 140 characters. It is not only the major cause of annoyance for day-to-day users, but also responsible for the majority of computer security issues that cost billions of dollars in terms of productivity losses. In this paper, we propose a Multi-Objective Genetic Algorithm and a CNN-based Deep Learning Architectural Scheme (MOGA–CNN–DLAS) for the predominant Twitter spam detection process. The experimental details and results discussions of the proposed MOGA-CNN-DLAS are evaluated in terms of accuracy, precision, recall, FScore, RMSE, and MAE by varying the ratio of training data under the utilization of three real datasets, such as the Twitter 100k dataset and the ASU dataset.
    Keywords: Twitter spam | Deep learning | Convolutional neural network | Genetic algorithm | Social media analysis | Effective spam detection


    چکیده فارسی:

    معمولا ایمیل به عنوان قدرتمندترین رسانه در شبکه‌های اجتماعی آنلاین در نظر گرفته می‌شود که امکان گفتگو و ارتباط آنلاین کاربران رسانه‌های اجتماعی آنلاین را با یکدیگر فراهم می کند، همچنین امکان اشتراک گذاری لینک هم وجود دارد. به ویژه، توییتر به عنوان محبوب ترین شبکه اجتماعی شناخته شده است که بهترین کانال ارتباطی برای به اشتراک گذاشتن اخبار، ایده ها، افکار، نظرات و عقاید فعلی کاربران خود با سایر کاربران رسانه های اجتماعی آنلاین است. علیرغم تلاش‌هایی که برای مبارزه با عملیات اسپم در شبکه اجتماعی آنلاین انجام شده است، اسپم توییتر دارای عملکرد جدیدی محدود به 140 کاراکتر است. این نه تنها علت اصلی آزار کاربران روزمره است، بلکه اکثر مسائل امنیتی رایانه نیز ناشی از آن است که میلیاردها دلار کاهش بهره وری هزینه را در پی دارد. در این مقاله، یک الگوریتم ژنتیک چندهدفه و یک طرح معماری یادگیری عمیق مبتنی بر CNN (MOGA-CNN-DLAS) برای فرآیند تشخیص اسپم غالب در توییتر پیشنهاد می‌کنیم. جزئیات تجربی و نتایج و بحث حاصل از MOGA-CNN-DLAS پیشنهادی از نظر دقت ، صحت، فراخوان، FScore، RMSE و MAE مورد ارزیابی قرار گرفتند. این ارزیابی با تغییر نسبت داده‌های آموزشی کاربردی از سه مجموعه داده واقعی، مانند مجموعه داده توییتر k100 و ASU انجام شد.
    کلمات کلیدی: اسپم توییتر | یادگیری عمیق | شبکه عصبی پیچشی یا همگشتی (CNN) | الگوریتم ژنتیک | آنالیز رسانه های اجتماعی | تشخیص موثر اسپم


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 7
    تعداد صفحات فایل doc فارسی(با احتساب مراجع): 18

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 564 کیلوبایت


    قیمت: 48000 تومان    38400 تومان (20 % تخفیف)


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi