Anomaly detection has been an essential and dynamic research area in the data mining. A wide range of applications including different social medias have adopted different state-of-the-art methods to identify anomaly for ensuring user’s security and privacy. The social network refers to a forum used by different groups of people to express their thoughts, communicate with each other, and share the content needed. This social networks also facilitate abnormal activities, spread fake news, rumours, misinformation, unsolicited messages, and propaganda post malicious links. Therefore, detection of abnormalities is one of the important data analysis activities for the identification of normal or abnormal users on the social networks. In this paper, we have developed a hybrid anomaly detection method named DT-SVMNB that cascades several machine learning algorithms including decision tree (C5.0), Support Vector Machine (SVM) and Naïve Bayesian classifier (NBC) for classifying normal and abnormal users in social networks. We have extracted a list of unique features derived from users’ profile and contents. Using two kinds of dataset with the selected features, the proposed machine learning model called DT-SVMNB is trained. Our model classifies users as depressed one or suicidal one in the social network. We have conducted an experiment of our model using synthetic and real datasets from social network. The performance analysis demonstrates around 98% accuracy which proves the effectiveness and efficiency of our proposed system.

异常检测已成为数据挖掘中必不可少的动态研究领域。包括不同社交媒体在内的各种应用程序都采用了不同的最新方法来识别异常，以确保用户的安全和隐私。社交网络是指由不同人群使用的论坛，用于表达他们的想法，彼此交流并共享所需的内容。该社交网络还促进异常活动，散布虚假新闻，谣言，错误信息，不请自来的消息，以及发布恶意链接的宣传。因此，异常的检测是在社交网络上识别正常或异常用户的重要数据分析活动之一。在本文中，我们开发了一种名为DT-SVMNB的混合异常检测方法，该方法将包括决策树（C5.0），支持向量机（SVM）和朴素贝叶斯分类器（NBC）在内的多种机器学习算法进行级联，以对社交网络中的正常和异常用户进行分类。我们提取了一系列从用户个人资料和内容中衍生出来的独特功能。使用具有选定特征的两种数据集，对提出的称为DT-SVMNB的机器学习模型进行了训练。我们的模型将用户分类为社交网络中的抑郁者或自杀者。我们使用社交网络中的合成数据集和真实数据集对模型进行了实验。性能分析显示了大约98％的准确性，这证明了我们提出的系统的有效性和效率。支持向量机（SVM）和朴素贝叶斯分类器（NBC），用于对社交网络中的正常和异常用户进行分类。我们提取了一系列从用户个人资料和内容中衍生出来的独特功能。使用具有选定特征的两种数据集，对提出的称为DT-SVMNB的机器学习模型进行了训练。我们的模型将用户分类为社交网络中的抑郁者或自杀者。我们使用社交网络中的合成数据集和真实数据集对模型进行了实验。性能分析显示了大约98％的准确性，这证明了我们提出的系统的有效性和效率。支持向量机（SVM）和朴素贝叶斯分类器（NBC），用于对社交网络中的正常和异常用户进行分类。我们提取了一系列从用户个人资料和内容中衍生出来的独特功能。使用具有选定特征的两种数据集，对提出的称为DT-SVMNB的机器学习模型进行了训练。我们的模型将用户分类为社交网络中的抑郁者或自杀者。我们使用社交网络中的合成数据集和真实数据集对模型进行了实验。性能分析显示了大约98％的准确性，这证明了我们提出的系统的有效性和效率。使用具有选定特征的两种数据集，对提出的称为DT-SVMNB的机器学习模型进行了训练。我们的模型将用户分类为社交网络中的抑郁者或自杀者。我们使用社交网络中的合成数据集和真实数据集对模型进行了实验。性能分析显示了大约98％的准确性，这证明了我们提出的系统的有效性和效率。使用具有选定特征的两种数据集，对提出的称为DT-SVMNB的机器学习模型进行了训练。我们的模型将用户分类为社交网络中的抑郁者或自杀者。我们使用社交网络中的合成数据集和真实数据集对模型进行了实验。性能分析显示了大约98％的准确性，这证明了我们提出的系统的有效性和效率。