Makine Öğrenmesi Algoritmaları ile Trol Hesapların Tespiti
Abstract
Sosyal medya kullanımı gün geçtikçe artmakta ve beraberinde birçok yeni problemi de getirmektedir. Kişilerin düşünce, duygu ve fikirlerini kolaylıkla paylaşabildiği bu ortamlarda aşağılayıcı ve rencide edici saldırılarda bulunan hesaplara son zamanlarda sıkça rastlanmaya başlanmıştır. Siber zorbalık (cyberbullying) olarak adlandırılan bu durum ve eylemi yapan trol hesapların insanların bireysel ve sosyal yaşantılarına verdiği zararların engellenmesi bir ihtiyaç haline gelmiştir. Bu tür kullanıcıların mesajları insanları rahatsız etmekte ve sayıları takip edilemeyecek miktarlara ulaştığı durumlarda yazılımlar ile tespit edilmesi, gerektiğinde engellenmesi ve sınırlandırılması gerekmektedir. Biz bu çalışma ile Twitter üzerinde trol davranışları sergileyen kullanıcı hesaplarını tespit etmek için makine öğrenmesi yöntemlerini kullandık. Support Vector Machine (SVM), Logistic Regression (LR) ve Random Forest Regression (RFR) ile Twitter üzerinden topladığımız veriler ile trol kullanıcıların mesajları üzerinden çıkardığımız özellikler (features) ile kapsamlı deneyler gerçekleştirdik. Elde ettiğimiz sonuçlarda %93.93’lere varan oranlarda trol hesaplarını tespit etmeyi ve engellemeyi başardık.
Keywords
References
- [1] K. K. Cole, “It's like she's eager to be verbally abused”: Twitter, trolls, and (en) gendering disciplinary rhetoric. Feminist Media Studies, vol. 15(2), pp. 356-358, 2015,
- [2] https://www.bbc.com/turkce/haberler-turkiye-53259275 (Erişim zamanı; Haziran, 20, 2020).
- [3] P. Galán-García et al., Supervised machine learning for the detection of troll profiles in twitter social network: Application to a real case of cyberbullying. Logic Journal of the IGPL, vol. 24(1), pp. 42-53, 2016.
- [4] Y. M. Kızılkaya, “Duygu analizi ve sosyal medya alanında uygulama,” Doktora Tezi, Sosyal Bilimler Enstitüsü / Ekonometri Anabilim Dalı / İstatistik Bilim Dalı, Uludağ Üniv.,Türkiye, 2018.
- [5] B. Sriram, D. Fuhry, E. Demir, H. Ferhatosmanoglu, and M. Demirbas, “Short text classification in twitter to improve information filtering,” in Proc. 33rd Int. ACM SIGIR Conf. on Research and Development in İnformation Retrieval, 2010, pp. 841-842,
- [6] G. Xiang, B. Fan, L. Wang, J. Hong, and C. Rose, “Detecting offensive tweets via topical feature discovery over a large scale twitter corpus,” in Proc. 21st ACM Int. Conf. on Information and Knowledge Management, 2012, pp. 1980-1984, [7] P. Fornacciari et al., “A holistic system for troll detection on Twitter,” Computers in Human Behavior, vol. 89, pp. 258-268, 2018,
- [8] P. Tsantarliotis, E. Pitoura, and P. Tsaparas, “Troll Vulnerability in Online Social Networks,” in Proc. IEEE/ACM Int. Conf. on Advances in Social Networks Analysis and Mining (ASONAM), Aug. 2016, pp. 1394-1396.
- [9] M. Engelin, and F. De Silva, “Troll detection: a comparative study in detecting troll farms on Twitter using cluster analysis,” KTH, Stockholm, Sweden, May 2016.
- [10] T. Mihaylov, T., and P. Nakov, “Hunting for troll comments in news community forums,” in Proc. 54th Annual Meeting of the Association for Computational Linguistics, Nov. 2019, pp. 399-405.
- [11] L. Hong, O.Dan, and B. D. Davison, “Predicting Popular Messages in Twitter,” in Proc. 20th Int. Conf. Companion on World Wide Web, Mar. 2011, pp. 57–58.