Создан мощный алгоритм машинного обучения XGBoost для выявления ненормальных пользователей в соцсетях

Цзянь Се, исследователь из Педагогического колледжа Фуянского педагогического университета в Фуяне, Китай, использовал API различных социальных сетей для сбора полной информации о пользователях, включая детальную информацию об их аккаунтах, публикуемом контенте и поведении.

Анализ полученных данных позволил ему присвоить набор атрибутов пользователям. Применяя сокращение атрибутов, исследователь смог устранить избыточные функции и создать целевой набор атрибутов для анализа подозрительных аккаунтов.

После этого Се использовал собранные данные для обучения модели XGBoost, мощного алгоритма машинного обучения, с целью создания высокоэффективной функции, способной быстро обнаруживать аномальное поведение в социальной сети. С помощью этого подхода Се смог достичь точности в 95% при идентификации ненормальных пользователей, что позволяет системным администраторам оперативно оповещать о потенциальных проблемах, которые затем могут быть исследованы вручную. Далее выносится решение о принятии мер, например, по блокировке вредоносных пользователей. Полученный уровень ошибок оказался низким, а скорость идентификации ненормальных пользователей составила лишь доли секунды. Подход Се оказался более быстрым и точным по сравнению с предыдущими методами, о которых он упоминает в своей статье.

Полученные результаты имеют важные последствия для социальных сетей, где идентификация ненормальных пользователей, таких как злонамеренные фейки, тролли, спамеры, хулиганы, учетные записи дезинформации, поддельные аккаунты, украденные имена пользователей или боты, играют ключевую роль в обеспечении безопасности пользователей и защите целостности цифрового сообщества в целом.

Он предполагает, что этот подход мог бы заложить основу для разработки мощной политики безопасности социальных сетей.