کشف فریب در شبکه‌های اجتماعی با استفاده از خوشه‌بندی داده‌های بازسازی شده

امروزه با استفاده از روش‌های یادگیری ماشین برای کشف الگوهای پنهان در شبکه‌های اجتماعی از طریق تجزیه و تحلیل مجموعه داده‌های بزرگ تعاملات اجتماعی، محققان به بینش جدیدی در مورد پویایی و رفتار اجتماعی دست می‌یابند. این تکنیک‌ها می‌توانند جوامع ناشناخته قبلی، افراد با نفوذ و الگوهای انتشار اطلاعات را آشکار کنند. این متد، پتانسیل روشن کردن انواع پدیده‌های اجتماعی از جمله شیوع بیماری‌ها، شایعات، جنبش‌های سیاسی و همکاری‌های علمی را دارد. این مقاله یک رویکرد جدید برای تشخیص فریب در شبکه‌های اجتماعی با استفاده از خوشه‌بندی داده‌های بازسازی‌شده ارائه می‌کند. این روش شامل بازسازی مقادیر گمشده در داده‌های شبکه اجتماعی با استفاده از تکنیکی به نام einimpute می‌باشد که بر اساس یک روش مبتنی بر گراف ضمن جانهی داده‌ها، اقدام به بازسازی مجموعه داده می‌کند، سپس با استفاده از الگوریتم خوشه‌بندی k-means++ اقدام به شناسایی الگوهای رفتار فریبنده کاربران می‌کند. روش پیشنهادی با استفاده از زبان r پیاده سازی و نتایج تجربی بر روی مجموعه داده دنیای واقعی movielens و بر اساس معیارهای معروف ari، nmi و purity نشان دهنده بهبود نتایج خوشه‌بندی روش پیشنهادی نسبت به سایر روش‌ها می‌باشد. همچنین تست پایداری نشان می‌دهد که روش پیشنهادی از نرخ پایداری بالایی برخوردار است که امیدواری برای استفاده از آن در شرایط مختلف را افزایش می‌دهد. به‌طور کلی نتایج حاصل نشان‌دهنده‌ی اثربخشی روش پیشنهادی در تشخیص فریب می‌باشد که می‌تواند ضمن کمک به محققان در این حوزه، پیامدهای عملی را برای پلتفرم‌های رسانه‌های اجتماعی و آژانس‌های مجری قانون در شناسایی کلاهبرداری‌های احتمالی و انتشار دهندگان اطلاعات نادرست ارائه ‌کند.

deception detection in social networks using reconstructed data clastering

by using machine learning methods to discover hidden patterns in social networks through the analysis of large datasets of social interactions, researchers gain new insights into social dynamics and behavior. these techniques can reveal previously unknown communities, influential people, and information dissemination patterns. this emerging field of network science has the potential to shed light on a variety of social phenomena, including disease outbreaks, rumors, political movements, and scientific collaborations. this paper presents a new approach for deception detection in social networks using reconstructed data clustering. the proposed method includes the reconstruction of missing values in social network data using a technique called einimpute, which reconstructs the data set based on a graph-based method, and then attempts to identify deceptive behavior patterns with using k-means++ clustering algorithm. the proposed method is implemented using the r language and the experimental results on the real-world dataset of movielens and based on the famous ari, nmi and purity criteria show the improvement of the clustering results of the proposed method compared to other methods. also, the stability test shows that the proposed method has a high stability rate, which increases the hope of using it in different conditions. in general, the results show the effectiveness of the proposed method in detecting deception, which can help researchers in this field and provide practical implications for social media platforms and law enforcement agencies in identifying possible frauds and disseminators of false information.