Sosyal ağlarda yapay zekâ ile spam tespiti
Spam detection with artificial intelligence in social networks
- Tez No: 983926
- Danışmanlar: PROF. DR. İBRAHİM ALPER DOĞRU, DOÇ. DR. İSMAİL ATACAK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, teknolojideki gelişmeler ve internetin yaygınlaşması sonucunda kötü niyetli kişilerin dikkatini çekip hedefi haline gelen X sosyal ağ (eski adıyla Twitter) platformunun sorunlarından bir tanesi olan spamlara odaklanılmıştır. Platform kullanıcılarının farklı davranışlar göstermesi ve spam tespit algoritmalarında sürekli güncelleme gereksiniminin bulunması, X platformunun kullanıcılarını spam içeriklerden etkin bir şekilde korumasını zorlaştırmaktadır. Bu zorluğu aşmak için literatüre bakıldığında birçok etkili çözümün, veri kümesi sınırlamalarıyla ve hesaplama açısından yoğun yöntemlere dayandığını anlaşılmaktadır. Bu tez çalışması, Gradyan tabanlı tek taraflı örnekleme (GOSS) ve rastgele orman tabanlı kümeleme (RFBFC) teknikleriyle bir arada yeni bir Light-ANFIS mimarisini ortaya çıkartarak sosyal ağlarda spam sorununu ele almaktadır. Özellik azaltmak için RFBFC tekniği kullanılarak girdi gereksinimlerinin azaldığı bir ANFIS modelini ortaya çıkartılmıştır. Yeniden tasarlanan bu ANFIS mimarisinde, parametre sayısını en aza indirilerek boyut azaltması yapıldı böylece daha basit bir sistem yapılandırmasını sağlanmıştır. GOSS tekniği ile doğruluk korunurken örneklem boyutu en aza indirilip ANFIS eğitim verimliliği arttırılmıştır. Önerilen Light-ANFIS mimarisinde, kıyaslamalar için daha önce kullanılmış iki farklı veri kümesi ve hiç kullanılmamış bir özel veri kümesi olmak üzere üç farklı veri kümesi ile değerlendirmeler yapılmıştır. Light-ANFIS ve RFBFC-ANFIS mimarilerinin eğitim süreleri üzerine yapılan karşılaştırmalı deneyler, GOSS tekniğinin eğitim süresi verimliliğini“%38,77”(Veri Kümesi 1),“%40,86”(Veri Kümesi 2) ve“%38,79”(Veri Kümesi 3) artırdığını ortaya çıkarmıştır. Light-ANFIS mimarisi ayrıca doğruluk, kesinlik, duyarlılık, F1 skoru ve AUC performans ölçümleri açısından da başarılı sonuçlar elde etti. Önerilen mimaride, belirtilen performans kriterleri için Veri Kümesi 1'de“0,98748”,“0,98821”,“0,99091”,“0,98956”ve“0,98664”; Veri Kümesi 2'de“0,98225”,“0,97412”,“0,99043”,“0,98221”ve“0,98233”; ve Veri Kümesi 3'te sırasıyla“0,98552”,“0,98915”,“0,98720”,“0,98818”ve“0,98503”puanları elde edilmiştir. Ayrıca önerilen modelin, yüksek performans sergilemenin yanı sıra yapısal olarak eşdeğer modellere göre daha basit bir konfigürasyona sahip olması ona iyi bir avantaj sağlamakta ve sosyal medya kullanıcılarının zararlı içeriklerden korunmasında kritik bir rol üstlenmiştir.
Özet (Çeviri)
This study focused on spam, a significant issue on the X social network (previously Twitter), which has garnered the attention of unscrupulous individuals due to advancements in technology and the proliferation of the internet. The varied behavior of platform users and the necessity for continuous changes to spam detection algorithms limit X's ability to adequately protect its users against spam content. Addressing this topic reveals that numerous effective solutions rely on computationally costly methods constrained by dataset restrictions. This thesis investigates the issue of spam in social networks by introducing a novel Light-ANFIS architecture, complemented by gradient-based single-sided sampling (GOSS) and random forest-based clustering (RFBFC) methodologies. An ANFIS model was developed, wherein input requirements were minimized through the application of the RFBFC approach to decrease features. This restructured ANFIS architecture achieved size reduction by lowering the number of parameters, resulting in a more streamlined system setup. The GOSS approach preserved precision, reducing the sample size and enhancing the training efficiency of ANFIS. The proposed Light-ANFIS architecture evaluated three distinct datasets for comparison: two previously used datasets and one novel dataset not previously used. Comparative investigations have shown that the GOSS technique enhanced training time efficiency for Light-ANFIS and RFBFC-ANFIS architectures by“38.77%”(Dataset 1),“40.86%”(Dataset 2), and“38.79%”(Dataset 3). The Light-ANFIS architecture produced favorable outcomes regarding accuracy, precision, recall, F1 score, and AUC performance measures. The recommended architecture yields scores of“0.98748”,“0.98821”,“0.99091”,“0.98956”, and“0.98664”in Dataset 1;“0.98225”,“0.97412”,“0.99043”,“0.98221”, and“0.98233”in Dataset 2; and“0.98552”,“0.98915”,“0.98720”,“0.98818”, and“0.98503”in Dataset 3, respectively. The proposed model not only demonstrates superior performance but also possesses a structurally simpler construction compared to analogous models, providing it with a significant benefit and the proposed model is essential for protecting social media users from harmful content.
Benzer Tezler
- Sosyal ağlarda yapay zekâ ile veri analızi
Analysing data in social networks by using artificial intelligence
TOHID JAVADI
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NECAATTİN BARIŞÇI
- Sosyal mühendislikte komplo tabanlı içeriklerin yapay zekâ ile analizi
Analysis of conspiracy-based content in social engineering with artificial intelligence
EMEL KOÇYİĞİT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH ÇALLI
- Çevrimiçi sosyal ağlarda derin öğrenme ve hibrit metasezgisel algoritma tabanlı nefret söylemi tespit sistemi
Deep learning and hybrid metaheuristic algorithm based hate speech detection system in online social networks
VAHTETTİN CEM BAYDOĞAN
Doktora
Türkçe
2022
Bilim ve TeknolojiFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. BİLAL ALATAŞ
- New edge computing offloading methods for next generation wireless networks
Yeni nesil haberleşme sistemleri için geliştirilen kenar ağlarda bilgi işlem yük boşaltma yöntemleri
BESTE ATAN
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA
- Dijital medyada bir teknoloji gazeteciliği örneği: Bigumigu
An example of technology journalism in digital media: Bigumigu
BEYZANUR AKALIN
Yüksek Lisans
Türkçe
2025
Halkla İlişkilerİstanbul Topkapı ÜniversitesiHalkla İlişkiler ve Reklamcılık Ana Bilim Dalı
DOÇ. DR. AZİZ TAMER GÜLER