دسته بندی:

یادگیری عمیق - deep learning

---

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

---

---

---

---

حجم فایل: 564 کیلوبایت

---

قیمت: 57600 تومان   

---

توضیحات اضافی:

---

---

---