شناسايي تغيير رفتار ترول مبتني بر تركيب GAN و LSTM

Identifying troll behavior change based on combination of GAN and LSTM

ترولينگ اصطلاح گسترده‌اي است كه شامل اشكال مختلف فعاليت‌هاي نادرست آنلاين از فريب دادن و اظهارنظرهاي گمراه‌كننده تا رفتار توهين‌آميز و تهديدآميز است. شناسايي ترول مبتني بر تغيير رفتار يك از روش‌هاي جديد تحقيقاتي در اين حوزه مي باشد. در اين مقاله از شبكه متخاصم مولد (GAN) به‌عنوان روش جديد نيمه نظارتي از رويكرد يادگيري عميق، براي شناسايي تغيير رفتار ترول استفاده شده است. روش پيشنهادي از سه جزء مختلف تشكيل‌شده است: مولد، تشخيص‌دهنده، طبقه‌بندي كننده كه با هم كار مي‌كنند تا نه‌تنها نظرات ترول‌ها را طبقه‌بندي كنند، بلكه نمونه‌هايي نزديك به مجموعه آموزش توليد ‌كنند. اين روش با آموزش دو شبكه عصبي كه يك بازي min-max را انجام مي‌دهد عمل مي‌كنند. تشخيص‌دهنده سعي مي‌كند نمونه‌هاي آموزشي واقعي را از نمونه‌هاي تقلبي متمايز كند و تابع مولد سعي مي‌كند نمونه‌هاي آموزشي جعلي توليد كند تا متمايزكننده را فريب دهد كه در آن مولد و طبقه‌بندي كننده توسط يك‌لايه LSTM به‌عنوان يك كانال مشترك بين آن‌ها متصل مي‌شوند. ارزيابي كارايي روش پيشنهادي در حل مسئله تغيير رفتار ترول با استفاده از دو معيار دقت و معيار F1-Score بر روي يك مجموعه داده 20000تايي از ترول اجتماعي توييتر در مقايسه با جديدترين روش‌هاي شناسايي تغيير رفتار (رگرسيون لجستيك) دقت بالاتري را گزارش مي‌كند.