بهينه‌سازي هسته‌هاي چندگانه در ماشين‌بردار پشتيبان جفتي براي كاهش شكاف معنايي تشخيص صفحات فريب‌آميز

Optimization of Multiple Kernels in Twin SVM for Decreasing Web Spam Page Detection Semantic Gap

موتورهاي جستجو با خزش صفحات موجود در اينترنت و شاخص‌گذاري آن‌ها، قابليت جستجوي سريع اطلاعات را به كاربران مي‌دهند. يكي از چالش‌هاي مهم در استفاده از اين ابزار، صفحاتي هستند كه از آن‌ها به‌عنوان صفحات فريب‌آميز نام‌ برده مي‌شود. رويكردهاي مختلفي جهت تشخيص صفحات فريب ابداع ‌شده است كه مي‌توان به روش‌هايي مانند سنجش ميزان شباهت سبك كدهاي صفحات، تحليل الگوي زباني صفحات و همچنين استفاده از روش‌هاي يادگيري ماشين بر اساس ويژگي‌هاي صفحات اشاره كرد. ازجمله الگوريتم‌هاي يادگيري ماشين كه در اين حوزه استفاده ‌شده است ولي نتايج قابل‌توجهي را ارائه نكرده، الگوريتم ماشين‌بردارپشتيبان (SVM) است. استفاده از هسته در ساختار طبقه‌بند SVM باعث مي‌شود كه داده‌هايي كه داراي الگوي غيرخطي هستند با نگاشت به فضايي با ابعاد بيش‌تر بتوانند با مدل خطي تفكيك‌پذير شوند. اين كار باعث افزايش دقت تفكيك‌كنندگي مدل يادگيري ماشين مي‌شود. اخيراً توسعه‌ايي از SVM با نام SVM جفتي (TSVM) ارائه‌ شده است كه با تغيير در فرضيه اوليه آن، از دو اَبَرصفحه براي تفكيك نمونه‌هاي هر كلاس استفاده مي‌كند و توانسته نتايج بهتري در طبقه‌بندي ارائه كند. به دليل استفاده از دو ابرصفحه در TSVM، لذا بهتر است تا از هسته‌هاي چندگانه در ساختار آن استفاده شود. به دليل اينكه توابع هسته در هر كاربرد اختصاصي هستند لذا نمي‌توان از يك هسته عمومي براي همه كاربردها استفاده كرد. در اين مقاله براي بهينه‌سازي تركيب‌هاي بهينه توابع هسته پايه، از روشي تكاملي مبتني بر الگوريتم ژنتيك (GA) استفاده‌ شده است كه با بهره‌گيري از آن در فرآيند تصميم‌گيري هر ابر صفحه TSVM، بهبود در تشخيص صفحات فريب حاصل گرديده است. براي پياده‌سازي و ارزيابي روش پيشنهادي، از مجموعه دادگان UK-2006 و UK-2007 استفاده ‌شده است كه نتايج حاصل بيانگر مؤثر بودن ايده پيشنهادي در اين پژوهش است.

Web pages are crawled and indexed by search engines for fast accessing data on the web. One of the challenges in the search engines is web spam pages. There are many approaches to web spam pages detection such as measurement of HTML code style similarity, pages linguistic pattern analysis and machine learning algorithm on page content features. One of the famous algorithms has been used in machine learning approach is Support Vector Machine (SVM) classifier. Unfortunately SVM could not achieve a reasonable accuracy in this scope. In order to classify non-linear data in a linear manner, the SVM needs to use the idea of the kernel, which leads to enhanced classification capabilities. A kernel, implicitly maps the data to a higher-dimensional space. Recently basic structure of SVM has been changed by new extensions called Twin SVM (TSVM) to increase robustness and classification accuracy using two separate hyperplanes. Because of using two separate hyperplanes in TSVM, it is better to use multiple kernels in it. Kernel functions are designed based on specific data sample. Therefore they cannot use for general purpose. In this paper we improved accuracy of web spam detection by using two nonlinear kernels into TSVM as an improved extension of SVM. These two kernels have been created based on genetic algorithm. The classifier ability to data separation has been increased by using two separated kernels for each class of data. Effectiveness of new proposed method has been experimented with two publicly used spam datasets called UK-2007 and UK-2006.