10336

تشخيص بات در توييتر

كارشناسي

مهندسي كامپيوتر

1404

دكتر فرزانه باغباني غيور

دكتر مرضيه داوودآبادي

1405/01/27

مهندسي كامپيوتر

Bot Detection in Social Media

در سال‌هاي اخير، افزايش حضور بات‌ها در شبكه‌هاي اجتماعي، شناسايي دقيق و هوشمند آن‌ها را به يك چالش مهم تبديل كرده است. اين پژوهش با هدف تشخيص اكانت‌هاي بات در توييتر فارسي، رويكردهاي مبتني بر يادگيري ماشين كلاسيك و مدل‌هاي زباني بزرگ را مورد بررسي و مقايسه قرار داده است. براي اين منظور، يك ديتاست شامل اطلاعات پروفايل و رفتار بيش از 19000 اكانت توييتر جمع‌آوري و بر اساس نظر پنج كارشناس انساني برچسب‌گذاري شد. با استخراج مجموعه‌اي از ويژگي‌هاي سطح كاربر و محتواي توييت‌ها، دو مدل EvolveBot مبتني بر الگوريتم Random Forest و مدل زباني بزرگ cf.llama-3.1-8b-instruct-fp8 توسعه يافته و ارزيابي شدند. نتايج آزمايش‌ها نشان داد مدل EvolveBot با به‌كارگيري تكنيك SMOTE و تنظيم مناسب آستانه تصميم‌گيري، توانست با دقت 81٪ و حساسيت 97٪ عملكرد بهتري نسبت به مدل LLM در شناسايي بات‌ها ارائه دهد. مدل LLM نيز با بهره‌گيري از تحليل زباني عميق توانست برخي بات‌هاي پيچيده را شناسايي كند و خروجي‌هايي با قابليت تفسير ارائه دهد، هرچند دقت آن نسبت به مدل كلاسيك پايين‌تر بود. اين پژوهش نشان مي‌دهد كه تركيب ويژگي‌هاي متنوع و استفاده از مدل‌هاي يادگيري ماشين، همراه با بهره‌گيري از مدل‌هاي زباني بزرگ، مي‌تواند راهكاري مؤثر براي شناسايي بات‌ها در شبكه‌هاي اجتماعي فارسي باشد. همچنين نتايج اين تحقيق مسيرهاي اميدبخشي براي توسعه مدل‌هاي تركيبي و چندلايه به‌منظور افزايش دقت و پايداري سيستم‌هاي تشخيص بات ارائه مي‌دهد.

تشخيص ربات , شبكه هاي اجتماعي , يادگيري ماشين , تحليل داده