Systeme pour la d´etection de faux profils dans les r´eseaux sociaux en utilisant le machine learning

Abstract

Les reseaux sociaux en ligne (OSNs) ont cr´e´e de nombreuses activit´es en ligne qui ont imm´ediatement attir´e les int´erˆets d’un grand nombre d’utilisateurs. Cependant ils souffrent de l’expansion de faux comptes qui n’appartiennent et qui d´efient les politiques de confidentialit´e des communaut´es de r´eseaux sociaux. Par cons´equent, ces profils doivent ˆetre identifi´es et supprim´es afin d’augmenter la protection des utilisateurs. Au cours des derni`eres ann´ees, les chercheurs ont implement´e l’apprentissage automatique pour concevoir des approches qui peuvent aider `a surmonter ce probl`eme et pour les comparer . N´eanmoins, la documentation actuelle n’est pas encore bien examin´ee en tenant compte des diverses plateformes des , les algorithmes bio-inspir´es n’ont pas ´et´e abord´es. Pour y rem´edier, nous menons une nouvelle ´etude comparative des diff´erentes approches de d´etection de faux profils dans les r´eseaux sociaux en ligne. Les r´esultats de notre ´etude montrent que la d´etection de faux profils dans les m´edias est adapt´ee aux mod`eles supervis´es et peut ˆetre optimis´ee avec diff´erentes techniques d’apprentissage automatique comme la validation et k-cross et pour les mod`eles non supervis´es comme k-means moyens qui peuvent ˆetre optimis´es en utilisant un mod`ele d’optimisation comme SBO ou des algorithmes g´en´etiques pour obtenir des meilleurs r´esultats.

***

Online Social Networks (OSNs) have created many online activities which attracted the interests of large number of users. However, it 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 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 MLbased approaches. Nevertheless, the current literature is still not well reviewed by taking into consideration various ONSs platforms. Besides, bio-inspired algorithms were not addressed. To address this, we conduct a new comparative study of different fake profile detection approaches in online social networks. The results obtained from our study show that fake profile detection in social media is suitable with supervised models and can be optimized with different machine learning techniques like k-cross validation an parameters tuning , and for unsupervised model like k-means which can be optimized by using an inspired optimizer model like SBO or Genetic algorithms to obtain best results .