Etude comparative sur la detection des faux profils en utilisant l’apprentissage automatique

Abstract

Les r´eseaux sociaux en ligne (OSN) ont cr´e´e de nombreuses activit´es en ligne qui ont instantan ´ement suscit´e l’int´erˆet d’un grand nombre d’utilisateurs. Cependant, les OSN ont souffert de l’expansion de de faux comptes qui n’appartiennent pas `a de vrais humains et qui remettent en cause les politiques de confidentialit´e des communaut´es de r´eseaux sociaux. Par cons´equent, ces profils clones doivent ˆetre identifi´es et supprim´es afin d’augmenter la protection des utilisateurs OSN. Au cours des derni`eres ann´ees, les chercheurs ont tir´e parti de l’apprentissage automatique (ML) pour concevoir des approches et des techniques susceptibles d’aider `a surmonter ce probl`eme. En cons´equence, un certain nombre d’´etudes ont ´et´e men´ees dans ce domaine de recherche pour comparer diff´erentes approches bas´ees sur le ML. Les chercheurs ont propos´e plusieurs techniques pour limiter ce probl`eme en utilisant des mod`eles bas´es sur l’apprentissage automatique, mais de nombreux faux comptes sont toujours pr´esents. Pour y rem´edier, nous menons une nouvelle ´etude comparative de diff´erentes approches de d´etection de faux profils dans les r´eseaux sociaux en ligne. Cet article r´esume les progr`es r´ecents de la d´etection de faux comptes sur les r´eseaux sociaux, qui aide le futur chercheur `a ´elaborer une approche robuste pour identifier les faux comptes sur les r´eseaux sociaux en ligne.

***

Online Social Networks (OSNs) have created many online activities which instantly attracted the interests of large number of users. However, OSNs have been suffering from the expansion of fake accounts that do not belong to real humans and which challenge the privacy policies of the social network communities. Hence, these clone profiles need to be identified and removed in order to increase the protection of OSNs users. Over the last years, researchers have been leveraging Machine Learning (ML) to devise approaches and techniques that may help in overcoming such problem. As results, a number of studies were conducted in this area of research to compare different ML-based approaches. Researchers proposed several techniques to limit this problem using machine-learning based models,but many fake accounts are still present.To address this, we conduct a new comparative study of different fake profile detection approaches in online social networks . This article summarizes the recent advancement of social networking’s fake account detection, which helps the future researcher build a robust approach to identify fake accounts on online social networking.