چکیده:
در دنیای امروز بحث طبقهبندی اطلاعات اهمیت زیادی یافته است. در مسائل طبقهبندی هدف شناسایی ویژگیهایی است که گروهی را که هر موجودیت به آن تعلق دارد را نشان دهند. یکی از مواردی که میتوان برای طبقهبندی استفاده نمود، طبقهبندی کاربران حراجی میباشد. با توجه به اینکه در طی سالهای گذشته حراجی الکترونیکی اهمیت فراوانی پیدا کرده است، مسئله شناسایی افراد متقلب در این نوع شبکهها توجه کاربران زیادی را به خود جذب کرده است. یکی از انواع تقلب، تقلب با روش همکاری و تبانی کاربران متقلب دیگر در حراجی میباشد که این نوع تقلب در صورت وقوع بسیار خطرناک میباشد و ممکن است ضررهای مالی جبرانناپذیری را در پی داشته باشد. در این مقاله روشی را پیشنهاد میدهیم که ابتدا ویژگیهای موثر در یافتن افراد عادی را برای هر کاربر حراجی استخراج نموده و سپس طبقهبندی کاربران را با روش طبقهبندی جمعی انجام میدهد. در روش پیشنهادی، برای بهبود نتایج، تابع پتانسیل لبه در روش طبقهبندی جمعی تعریف میگردد که از فاصله L1-norm بهعنوان معیار شباهت بین دو گره مجاور استفاده مینماید. نتایج نشان میدهند که تابع پتانسیل لبه تعریف شده، در بهبود نرخ طبقهبندی شناسایی کاربران متقلب همکار کارآیی خوبی را دارد.
Nowadays, data classification is extremely important used with the purpose of identifying the features that indicate the group of the classification of each item. Classification of the user auctions is one of the usages of classification. In previous years, electronic auctions have become more important, so detecting fraudulent activities has attracted attention of many researchers. One type of fraud is the collusion of fraudulent users at the auction, which is a very dangerous type of fraud and if occurred, may lead to irreparable financial losses. In this paper, we propose a method that first extracts the effective features for finding normal people in the auction and then classifies the users by collective classification method. We define an edge potential function to use in collective classification, in which it uses the distance L1-norm as the similarity measure between the two adjacent nodes. The results show that the defined edge potential function is suitable for improving the classification rate of collaborative fraudulent users.
خلاصه ماشینی:
در این مقاله روشی را پیشنهاد میدهیم که ابتدا ویژگیهای موثر در یافتن افراد عادی را برای هر کاربر حراجی استخراج نموده و سپس طبقهبندی کاربران را با روش طبقهبندی جمعی انجام میدهد.
کلید واژگان: معیار شباهت، طبقهبندی جمعی، فاصله L1-norm، مدل تصادفی مارکف، روش انتشار باور حلقهای 1- مقدمه پیشرفتهای بهوجود آمده در دنیای کامپیوتر و افزایش تعداد کاربران اینترنتی، در طی دهههای اخیر باعث شده در بسیاری از علوم با حجم زیادی از اطلاعات روبرو شویم که نیاز به طبقهبندی آنها باشد.
در دنیای سایبری امروزی یکی از مسائل کلیدی، امنیت ارتباطات در شبکههای اجتماعی بین کاربران اینترنتی میباشد که به همین دلیل، پژوهش های مختلفی با رویکرد تمیز دادن افراد متقلب با روش طبقهبندی دادهها انجام پذیرفته است [1].
از این رو، طبقهبندی افراد متقلب و شناسایی کاربران عادی و غیرعادی با توجه به رفتارهای هر کاربر در حراجی الکترونیکی از اهمیت زیادی برخوردار است.
این معیارها از روابط (21-20) محاسبه میگردند: (رجوع شود به تصوير صفحه)در این معاملهها، TN تعداد رکوردهایی را نشان میدهد که کلاس واقعی آنها غیرعادی بوده و الگوریتم طبقهبندی نیز دسته آنها را بهدرستی غیرعادی تشخیص داده است.
همچنین جدول (3) نشان میدهد که مرحله انتشار باور در بهبود کارآیی روش پیشنهادی نیز تاثیر زیادی دارد و باعث افزایش TPR و کاهش FPR شده است.
سپس با روش SVDD طبقهبندی کاربران را انجام داده و با توجه به تابع پتانسیل لبه و گره که تعریف نمودیم، مدل مارکف را به مساله حراجی بهینهسازی نمودیم.
Faloutsos, “Netprobe: a Fast and Scalable System for Fraud Detection in Online Auction Networks,” Conference on World Wide Web, vol.