Kalite Ölçekleme Kriterleri ile Sosyal Ağ Hesaplarının Etkinliğinin Belirlenmesi

Yıl 2019, Cilt: 31 Sayı: 1, 99 - 108, 15.03.2019

Hafzullah İş , Taner Tuncer

Öz

Sosyal
ağlar; bilgi edinme, eğitim alma, içerik paylaşma, fikir beyan etme, eğlenme,
haberleşme, arkadaşlık ve ticari girişimlerde bulunma gibi bireysel ve kurumsal
iletişim ve etkileşime olanak sağlamaktadır. Bu ağlardaki ölçülebilir veriler
üzerinde veri madenciliği teknikleri uygulanarak örüntüler tanımlanabilmekte
akademik, ticari ve sosyolojik alanlarda kıymetli bilgiler elde
edilebilmektedir. Ağdaki eğilimler ve ilişkiler; iş zekası, bilgi keşfi, reklam
ve hizmetlerin özelleştirilmesi, suç tespitleri ve toplumsal hareketlerin
izlenmesinde kullanılmaktadır. Sosyal ağlarda kullanıcıların trafik
istatistikleri ve özellikleri yanı sıra etkinliklerine göre topluluklar tespit
edilebilmektedir. Ancak bunların doğru bir şekilde yapılabilmesi için kullanıcı
profillerinin etkinlik değerleri ortaya çıkarılmalıdır. Bu çalışmada; sosyal
ağlardan çekilen kullanıcı verileri anonimleştirilip, filtrelenmiş ve
sonrasında da çap (diameter), yoğunluk (density), karşılıklılık (reciprocity),
merkezililik (centralization), modülerlik (modularity) ve twit aktivitesi gibi
nitelikler tespit edilmiştir. Böylece “Profil Kalite Ölçekleme” metodu ile
kullanıcıların etkinlik değerleri derecelendirilmiş, gruplandırılmış ve etkin
profilleri tanımlanmıştır. Analiz sonucunda algoritmanın başarım oranı %92
olarak elde edilmiştir.

Anahtar Kelimeler

Sosyal ağ, Kalite ölçekleme kriteri, Profil kalite ölçümü

Kaynakça

• [1] Kemp S, Digital in 2017 Global Overview. https://wearesocial.com/special-reports/digital-in-2017-global-overview, son inceleme March 20, 2018. [2] Chaffey D, Global Social Media Research Summary 2017. http://www.smartinsights.com/ social-media-marketing/ social-media-strategy/new-global-social-media-research/, son inceleme March, 2018. [3] Young K. Trends 2017. https://blog.globalwebindex.net/tag/ trends-2017/ , son inceleme March, 2018. [4] Washha M, Qaroush A, Mezghani M, Sedes F. A Topic-Based Hidden Markov Model for Real-Time Spam Twits Filtering. KES2017; 6-8 September; Marseille, France, 2017. [5] Verma M, Ivya D, Sofat S. Techniques to Detect Spammers in Twitter- A Survey. International Journal of Computer Applications 2014; 85(10). [6] Hirve S, Kamble S. Twitter Spam Detection. IJESC 2016; 6(10). [7] Azab A, Idrees A, Mahmoud M, Hefny H. Fake Account Detection in Twitter Based on Minimum Weighted Feature set. World Academy of Science, Engineering and Technology International Journal of Computer and Information Engineering 2016; 10(1): 2016. [8] Chavoshi N, Hamooni H, Mueen A. Identifying Correlated Bots in Twitter” in Springer International Publishing. Lecture Notes Computer Science 2016: 10047; pp. 14-21, 2016 [9] Herzallah W, Faris H. Feature Engineering for Detecting Spammers on Twitter: Modeling ad Analysis. Journal of Information Science 2016; 44(2): 230-247. [10] Bhattacharya P, Zafar M B, Ganguly N. Inferring User Interests in the Twitter Social Network. RecSys’14; 6–10 October; Foster City, Silicon Valley, CA, USA, 2014. [11] Song J, Lee S, Kim J. Spam Filtering in Twitter Using Sender-Receiver Relationship. RAID’2011; Menlo Park, California, USA: 2011, pp.301-317. [12] Alahmadi B, Legg P, Nurse J. Using Internet Activity Profiling for Insider-Threat Detection. International Workshop on Security in Information Systems; 2015. [13] İş H, Müngen A A, Tuncer T, Kaya M. Frequent Pattern Mining for Community Detection in Web Logs. International Conference on Artificial Engineering and Data Processing; 16 Ekim; Malatya, Türkiye: 2017. pp.1-7. [14] Erşahin B, Aktaş Ö, Kılınç D, Akyol C. Twitter Fake Account Detection. 2nd International Conference on Computer Science and Engineering (UBMK’17); 5-8 October; Antalya, Türkiye: 2017. [15] John G H, Langley P. Estimating Continuous Distributions in Bayesian Classifiers. 11. Conference on Uncertainity in Artifical Intelligence, San Mateo, USA: 1995. pp.338-345. [16] Benevenuto F, Magno G, Orozco A. Detecting Suversion of Twitter. Collaboration-Electronic-Anti Abuse and Spam Conference (CEAS); 2010. [17] Gurajala S, White J S, Hudson B, Matthew J N. Fake Twitter Accounts: Profile Characteristics Obtained Using an Activity-Based Pattern Detection Approcah. SMSociety’15; Toronto, Canada: 2015. [18] Stringhini G, Kruegel C, Vigna G. Detecting Spammers on Social Networks. 26. Annual Computer Security Applications Conference; 6-10 December; Austin, Texas, USA: 2010, pp. 1-9. [19] Social Bakers. (Online) http://www. socialbakers.com/products /analytics?ref=fakefollowers-top-bar , March, 2018. [20] Camisani-Calzolari M. Analysis of Twitter followers of the US Presidential Election Candidates: Barack Obama and Mitt Romney. August, 2012. [21] Netlytic,(Online), https://netlytic.org/home/?page_id=10834, son inceleme March, 2018. [22] Weka, “Data Mining Software in Java”, https://cs.waikato.ac.nz/ml/weka/, son inceleme March, 2018 [23] Wikipedia, (Online), https://wikipedia.org/wiki/Metrics/, son inceleme March, 2018.