提出了一种新的神经网络拓扑结构用于类似社交媒体这类挑战性数据集上,有效地提高了作者验证任务的性能。
Aug, 2019
本文提出了一种使用 GAN 算法通过 Twitter 数据集计算用户之间的相似度,以识别和检测假用户账户的新方法,并实验结果表明,该方法的准确率能够达到 98.1%。
Oct, 2022
通过构建 Twitter 真实与虚假跟随者的基准数据集,本文训练了一组基于机器学习的分类器,证明了部分学术界提出的用于垃圾邮件检测的特征表现良好,建立了一个新的 “Class A” 分类器,能够正确分类超过 95% 的账户,并进行了灵敏度分析。
Sep, 2015
本文针对社交媒体上短文本语言特征多变不足以支持作者验证的问题,提出了一种基于 Hierarchical Siamese 神经网络的算法,通过学习神经特征和可视化决策过程可以有效地进行作者验证,并在大规模的亚马逊评论数据集上进行实验,结果表明 Siamese 神经网络模型优于传统的基于语言特征的方法。
Oct, 2019
该论文提出了一种应用程序,旨在检测和中和在线社交网络中的虚假实体,并着重保护公司免受潜在欺诈行为的影响。该应用程序以用户为中心的设计确保了对调查机构,尤其是刑事部门的可访问性,便于在复杂的社交媒体环境中进行导航和与现有调查程序的集成。
Nov, 2023
作者身份辨识的有效性为人所知,在未签名的文档中推断出作者的身份,即使敏感个人信息已被小心地省略。在数字时代,个人通过其书面内容留下持久的数字足迹,无论是在社交媒体上发布,存储在雇主的计算机上,还是其他地方。当个人需要公开交流但希望保持匿名时,几乎没有什么可以保护他们免受不必要的作者身份辨识的工具。该论文综述了过去二十多年来关于规避作者身份辨识攻击的研究的进展,重点介绍了修改和生成为基础的策略,着重强调了差分隐私社区的共同努力。讨论了当前研究的局限性,并聚焦于开放性挑战和潜在的研究方向。
Oct, 2023
该研究提出了一个基于机器学习的检测模型,通过使用用户在线活动的多个属性来识别虚拟身份是否属于同一个真实人,以防止虚假 / 非法活动的传播。通过在两个滥用和涉及恐怖主义的 Twitter 内容上演示模型的有效性。
Aug, 2023
本文介绍了一种使用基于网络社交平台上传播路径特征的垃圾信息检测方法,即 POISED 系统,在大规模 Twitter 数据集上进行实验,结果表明该方法的准确率达到 91%,召回率达到 93%,能有效地检测垃圾信息,并且相对于之前的垃圾信息检测系统具有更高的综合性。
Aug, 2017
本文研究了解和利用社交媒体上的用户资料以便于发现假新闻。我们分析了用户在社交媒体上的分享行为以及其与真假新闻的关系,研究了隐式和显式资料特征,探讨了利用这些特征进行假新闻分类任务的可行性和有效性。
Apr, 2019
本文探讨了社交网络链接欺诈检测中的多样性和特征,提供了强有效的基于熵的特征工程,对 Twitter 数据的地面真实性能表现达到了超过 0.95 的精确度和召回率。
Apr, 2017