Saxta profillərin aşkarlanması yanaşmaları Sahoo və digərləri Twitter-də zərərli profilləri müəyyən etmək üçün
maşın təlimi alqoritmlərinin imkanlarından istifadə edən hibrid yanaşma təklif
etdilər [Sahoo et al., 2019]. Əvvəlcə Petri şəbəkəsi vasitəsilə istifadəçinin
profili və müxtəlif əlamətləri təhlil edilmiş, daha sonra bu əlamətlər klassifi-
kasiya alqoritminin öyrədilməsi üçün istifadə edilmişdir. Təklif edilmiş yanaş-
manın səmərəliliyini sübut etmək üçün mövcud yanaşmalarla müqayisə
aparılır. Eksperimental nəticələrə əsasən təklif edilmiş yanaşma digər yanaş-
malardan daha yaxşı nəticə göstərmiş, 99,16% aşkarlamaya nail olmuşdur.
Khaled və digərləri saxta Twitter hesabları və botlarının effektiv aşkar-
lanmasını təmin etmək üçün yeni bir alqoritm− SVM-NN təklif
etdilər
[Khaled
et al., 2018]. Bu zaman dörd əlamət seçilmiş və ölçülərin azaldılması (ing.
dimension reduction) üsulu istifadə edilmişdir. Hədəf hesabların real və ya
saxta olmasına qərar vermək üçün üç klassifikasiya alqoritmindən istifadə
edilmişdir: Support Vector Machine (SVM), Neural Network (NN) və daha az
əlamətdən istifadə edən təklif edilmiş alqoritm:
SVM-NN. Təklif edilmiş al-
qoritm təlim verilənlər bazasında hesabların təxminən 98%-ni düzgün təsnif
edə bilmişdir.
Swe və digərləri saxta hesabları ənənəvi spam sözlər siyahısını istifadə
etməklə deyil, qara siyahıdan (ing. blacklist) istifadə etməklə aşkar etdilər
[Swe et al., 2018]. Qara siyahı mövzu modelləşdirilməsi və açar söz çıxarma
yanaşmalarından istifadə etməklə yaradılmışdır. Qiymətləndirmə təkcə 1KS
- 10KN verilənlər bazası əsasında deyil, həm də Social Honeypot verilənlər
bazası üzrə aparılmışdır. Ənənəvi spam sözlər siyahısına əsaslanan yanaş-
ma ilə qara siyahıya əsaslanan yanaşmanın dəqiqliyi müqayisə edilmişdir.
Decorate– meta-öyrənən klassifikasiya Twitter-də saxta və real hesabları
ayırmaq üçün tətbiq edilmişdir. Təklif edilmiş yanaşma 95,4% dəqiqliyə nail
olmuşdur və real pozitiv (ing. true positive) dərəcəsi 0,95-dir.
Balaanand və digərləri böyük həcmdə Twitter verilənlərindən saxta
istifadəçiləri aşkar etmək üçün təkmilləşdirilmiş qraf əsaslı yarı-supervizorlu
(ing. semi-supervised) təlim alqoritmini (ing. enhanced graph-based semi-
supervised learning algorithm (EGSLA)) təklif etdilər [Balaanand et al., 2019].
Təklif olunan metod dörd modulu əhatə edir: verilənlərin toplanması, əlamət-
lərin çıxarılması, klassifikasiya və qərar qəbulu. Scrapy vasitəsini istifadə et-
məklə Twitter-dən toplanmış verilənlər qiymətləndirmə üçün istifadə edilmiş-
dir. Təklif olunnuş təlim alqoritminin məhsuldarlığı mövcud game theory, k-
nearest neighbor (KNN), SVM və decision tree alqoritmlərini istifadə etməklə
sınaqdan keçirilmişdir. Nəticələr göstərmişdir ki, təklif olunmuş EGSLA alqo-
ritmi saxta istifadəçilərin aşkarlanmasında 90,3% dəqiqliyə nail olmuşdur.