منصة الرسائل والاطاريح: اكتشاف روبوت التويتر باستخدام خوارزميات التجميع المحسنة

الخلاصة

يواجه Twitter تحدي هجمات الروبوتات، والتي يمكن أن تؤثر على المجتمع. يعد الحصول على البيانات المصنفة لتقنيات التعلم الآلي الخاضعة للإشراف التي تكتشف الروبوتات أمرًا مكلفًا ويستغرق وقتًا طويلاً. لذلك، تقترح هذه الرسالة تقنية تجميع غير خاضعة للإشراف لاكتشاف الروبوتات بدقة على توتر باستخدام بيانات غير مسماة. الهدف هو توفير نظام موثوق وفعال لاكتشاف الروبوتات، وتخفيف انتشار المعلومات الخاطئة، وتحسين المحادثات عبر الإنترنت. تعالج التقنية المقترحة التحدي المتمثل في توافر البيانات المصنفة وتسعى إلى تحقيق توازن بين الدقة والتعقيد الحسابي أثناء التعامل مع القيم المتطرفة وتحسين استخدام الذاكرة. تقترح الأطروحة نظامًا آليًا يمكنه اكتشاف روبوتات Twitter والتي تتضمن عمومًا جزأين رئيسيين: توليد ميزات جديدة ونهج تنبؤات الروبوتات. على وجه الخصوص، يتكون النظام المقترح من خمس مراحل: المعالجة المسبقة، وتحليل الميزات، وتصميم التجربة، وتطوير التقنيات، وتقييم النظام. يتم تطوير الميزات المقترحة باستخدام مجموعة من الأساليب الإحصائية واليدوية، ويتم اختيار الميزات ذات التصنيف الأعلى فقط باستخدام تقنية تقييم سمة الارتباط. علاوة على ذلك، تم تعديل ثلاث خوارزميات غير خاضعة للإشراف للتعلم الآلي وهي KNN وDBSCAN وStream K-mean للعمل تلقائيًا لاكتشاف الروبوت عن طريق تحديد معلمات الإدخال لهذه الخوارزميات بناءً على خصائص البيانات الفريدة. لتقييم أداء الميزات المقترحة، تم استخدام ثلاثة أنواع من خوارزميات التجميع: التقسيم (k-mean ، k-medoid) ، التسلسل الهرمي (التكتلي) ، والكثافة (DBSCAN) للكشف عن الروبوتات. تظهر النتائج أن الميزات المقترحة أكثر فعالية من الميزات الأصلية لاكتشاف الروبوتات. يعلن نجاح هذا الاختبار للميزات المقترحة عن بدء الجزء الثاني من نظامنا وهو تحديد الروبوتات باستخدام خوارزميات التجميع المعدلة. تم تأكيد فعالية التقنية المقترحة في اكتشاف روبوتات توتر باستخدام خوارزميات التجميع، وخاصة خوارزميات التجميع القائمة على التدفق، في هذه الرسالة. يتم استخدام مقاييس تقييم متعددة حيث يتم ملاحظة القيم العالية لمقياس التجانس (0.988)، مقياس الاكتمال (0.989)، مقياس V (0.989) ، مقياس مؤشر Rand المعدل (0.996) ، مقياس المعلومات المتبادلة المعدلة (0.989) ، مقياس معامل Silhouette (0.786) ومقياس Fowlkes Mallows (0.998). تؤكد هذه الرسالة على أن استخدام تقنيات التجميع يعد حلاً فعالاً من حيث التكلفة لتصنيف بيانات Twitter غير المسماة. يمكن أن تقدم مثل هذه الأساليب نهجًا عمليًا لتحديد روبوتات Twitter. يسلط البحث الضوء على أهمية استخراج السمات وتقليل الأبعاد في تحسين أداء خوارزميات التجميع. يوفر دمج خوارزميات متعددة غير خاضعة للإشراف نهجًا أكثر شمولاً لاكتشاف روبوتات Twitter. يساهم هذا البحث في مجال اكتشاف الروبوتات وتحليلات الوسائط الاجتماعية، مما يوفر إمكانيات جديدة لتحليل بيانات Twitter.