当前位置: X-MOL 学术Appl. Soft Comput. › 论文详情
A real-time hostile activities analyses and detection system
Applied Soft Computing ( IF 5.472 ) Pub Date : 2021-02-15 , DOI: 10.1016/j.asoc.2021.107175
Sajjad Dadkhah; Farzaneh Shoeleh; Mohammad Mehdi Yadollahi; Xichen Zhang; Ali A. Ghorbani

Over recent years, the development of online social media has dramatically changed the way people connect and share information. It is undeniable that social platform has promoted the quickest type of spread for fake stories. Almost all the current online fact-checking sources and researches are concentrating on the validating political content and context. The proposed system in this paper provides a complete visual data analytics methods to assist users in achieving a comprehensive understanding of malicious activities at multiple levels such as adversary’s behavior, victim’s behavior, content, and context level. In this paper, we investigate a variety of datasets from different aspects such as role, vulnerabilities, influential level, and distribution pattern. The proposed method in this paper focuses on automatic fake/hostile activity detection by utilizing a variety of machine learning (ML) techniques, deep learning models, natural language processes (NLP), and social network analysis (SNA) techniques. Different auxiliary models, such as bot detection, user credibility, and text readability, are deployed to generate additional influential features. The classification performance of ten different machine learning algorithms using a variety of well-known datasets is evaluated by utilizing 10-fold cross-validation.



中文翻译:

实时敌对活动分析与检测系统

近年来,在线社交媒体的发展极大地改变了人们联系和共享信息的方式。不可否认的是,社交平台已经促进了假新闻传播的最快类型。当前,几乎所有在线事实检查来源和研究都集中在验证政治内容和背景上。本文中提出的系统提供了完整的可视数据分析方法,以帮助用户全面了解恶意行为的多个层次,例如对手的行为,受害者的行为,内容和上下文级别。在本文中,我们从角色,漏洞,影响程度和分布模式等不同方面研究了各种数据集。本文提出的方法致力于通过利用各种机器学习(ML)技术,深度学习模型,自然语言过程(NLP)和社交网络分析(SNA)技术来自动进行假冒/敌对活动检测。部署了各种不同的辅助模型,例如漫游器检测,用户可信度和文本可读性,以生成其他有影响力的功能。通过利用10倍交叉验证,评估了使用各种众所周知的数据集的十种不同机器学习算法的分类性能。部署以生成其他有影响力的功能。通过利用10倍交叉验证,评估了使用各种众所周知的数据集的十种不同机器学习算法的分类性能。部署以生成其他有影响力的功能。通过利用10倍交叉验证,评估了使用各种众所周知的数据集的十种不同机器学习算法的分类性能。

更新日期:2021-02-21
全部期刊列表>>
2021新春特辑
SN Applied Sciences期刊征稿中
虚拟特刊
亚洲大洋洲地球科学
NPJ欢迎投稿
自然科研论文编辑
ERIS期刊投稿
欢迎阅读创刊号
自然职场,为您触达千万科研人才
spring&清华大学出版社
城市可持续发展前沿研究专辑
Springer 纳米技术权威期刊征稿
全球视野覆盖
施普林格·自然新
chemistry
物理学研究前沿热点精选期刊推荐
自然职位线上招聘会
欢迎报名注册2020量子在线大会
化学领域亟待解决的问题
材料学研究精选新
GIANT
ACS ES&T Engineering
ACS ES&T Water
屿渡论文,编辑服务
阿拉丁试剂right
上海中医药大学
哈工大
西湖大学
化学所
北京大学
山东大学
隐藏1h前已浏览文章
课题组网站
新版X-MOL期刊搜索和高级搜索功能介绍
ACS材料视界
南方科技大学
张凤娇
中国石油大学
天合科研
x-mol收录
试剂库存
down
wechat
bug