شناسایی تغییر رفتار ترول مبتنی بر ترکیب GAN و LSTM

ترولینگ اصطلاح گسترده ای است که شامل اشکال مختلف فعالیت های نادرست آنلاین از فریب دادن و اظهارنظرهای گمراه کننده تا رفتار توهین آمیز و تهدیدآمیز است. شناسایی ترول مبتنی بر تغییر رفتار یک از روش های جدید تحقیقاتی در این حوزه می باشد. در این مقاله از شبکه متخاصم مولد (GAN) به عنوان روش جدید نیمه نظارتی از رویکرد یادگیری عمیق، برای شناسایی تغییر رفتار ترول استفاده شده است. روش پیشنهادی از سه جزء مختلف تشکیل شده است: مولد، تشخیص دهنده، طبقه بندی کننده که با هم کار می کنند تا نه تنها نظرات ترول ها را طبقه بندی کنند، بلکه نمونه هایی نزدیک به مجموعه آموزش تولید کنند. این روش با آموزش دو شبکه عصبی که یک بازی min-max را انجام می دهد عمل می کنند. تشخیص دهنده سعی می کند نمونه های آموزشی واقعی را از نمونه های تقلبی متمایز کند و تابع مولد سعی می کند نمونه های آموزشی جعلی تولید کند تا متمایزکننده را فریب دهد که در آن مولد و طبقه بندی کننده توسط یک لایه LSTM به عنوان یک کانال مشترک بین آن ها متصل می شوند. ارزیابی کارایی روش پیشنهادی در حل مسئله تغییر رفتار ترول با استفاده از دو معیار دقت و معیار F۱-Score بر روی یک مجموعه داده ۲۰۰۰۰تایی از ترول اجتماعی توییتر در مقایسه با جدیدترین روش های شناسایی تغییر رفتار (رگرسیون لجستیک) دقت بالاتری را گزارش می کند.