ارائه مدلی ترکیبی جهت ارزیابی اعتماد کاربران شبکه های اجتماعی آنلاین مبتنی بر تکنیک نرو - فازی و الگوریتم های تکاملی

در این پژوهش، یک مدل یادگیری ماشین ترکیبی مبتنی بر نرو - فازی و یکی از الگوریتم‌های فراابتکاری به نام الگوریتم ژنتیک برای شناسایی اعتماد کاربران در شبکه‌های اجتماعی آنلاین پیشنهاد شده است. مدل پیشنهادی تشخیص خودکار اعتماد کاربران را انجام می‌دهد و بینشی در مورد تاثیرگذارترین ویژگی‌ها در طول فرآیند تشخیص می‌دهد. بخشی از کار، یک مدل آبشار رقابتی مبتنی بر اولویت برای انتشار شایعات رقیب و آبشارهای ضد شایعه پیشنهاد می شود. این مدلی برای محاسبه ارزش تقدم مبتنی بر باور ارائه شده که توسط آن کاربر تصمیم می‌گیرد شایعه یا ضد شایعه دریافتی در طول انتشار اطلاعات را باور کند. تاثیر شایعه و آبشارهای ضد شایعه در شبکه های اجتماعی آنلاین با در نظر گرفتن یک رویکرد انتشار مبتنی بر همسایگی تجزیه و تحلیل می شود. نتایج تجربی با در نظر گرفتن فیس‌بوک، ویکی و توییتر برای اعتبارسنجی مدل pcc برای انتشار شایعه و ضد شایعه در شبکه‌های اجتماعی و ارزیابی الگوریتم dmog پیشنهادی به‌دست آمد. الگوریتم dmog با صرفه جویی در حدود 26٪ (برای مقدار تقدم 1.0) از کاربران از تحت تاثیر قرار گرفتن شایعات در فیس بوک در مقایسه با 20٪ و 13٪ توسط الگوریتم های موجود، بهبود قابل توجهی را ارائه داد. در توییتر، الگوریتم dmog حدود 25 درصد از کاربران را از تحت تاثیر قرار گرفتن شایعات نجات داد، در حالی که الگوریتم های دیگر 19 درصد و 21 درصد را تحت تاثیر قرار داده شد. علاوه بر این، در مجموعه داده‌های ویکی، الگوریتم dmog در مقایسه با الگوریتم‌های موجود، از تعداد کمتری از کاربران اولیه برای انتشار ضد شایعه استفاده می‌کند تا حدود 4 درصد از کاربران را از تحت تاثیر قرار گرفتن شایعه نجات داده شد. در نهایت، از نتایج تجربی، مشاهده شده است که الگوریتم پیشنهادی با استفاده از پارامترهایی مانند بودجه، تقدم شایعه و تاخیر زمانی در معرفی ضد شایعه عملکرد بهتری از الگوریتم‌های موجود دارد.

a hybrid model for evaluation of the trust of online social network based on neuro-fuzzy technique and evolutionary algorithms

in this research, a hybrid machine learning model based on neuro-fuzzy and one meta-heuristic algorithm called genetic algorithm is proposed to identify user trust in online social networks. the proposed model performs automatic recognition of users' trust and provides insight into the most influential features during the recognition process. as part of the work, a priority-based competitive cascade model is proposed for competing rumor propagation and anti-rumor cascades. this model is presented to calculate the belief-based precedence value by which the user decides to believe the received rumor or counter-rumor during information dissemination. the effect of rumor and anti-rumor cascades in online social networks is analyzed by considering a neighborhood-based diffusion approach. experimental results were obtained by considering facebook, wiki, and twitter to validate the pcc model for rumor and counter-rumor dissemination in social networks and to evaluate the proposed dmog algorithm. the dmog algorithm provided significant improvement by saving about 26% (for a precedence value of 1.0) of users from being influenced by rumors on facebook compared to 20% and 13% by existing algorithms. on twitter, the dmog algorithm saved about 25 percent of users from being affected by rumors, while the other algorithms affected 19 percent and 21 percent. in addition, in the wiki dataset, the dmog algorithm uses a smaller number of initial users for anti-rumor propagation compared to existing algorithms, saving about 4% of users from being affected by the rumor. finally, from the experimental results, it has been observed that the proposed algorithm performs better than the existing algorithms by using parameters such as budget, rumor priority and time delay in introducing anti-rumor.