تشخیص هرزنامه مبتنی بر شباهت معنایی و بکارگیری الگوریتم ترکیبی شبکه عصبی و بهینه سازی ازدحام ذرات

تحت تاثیر شبکه جهانی اینترنت، زمان و فاصله ارتباطات، به وسیله رایانامه ها کاهش یافته است، به همین دلیل کاربران اغلب برای برقراری ارتباط با دیگران، ارسال و دریافت اطلاعات از رایانامه استفاده میکنند. افزایش استفاده از رایانامه منجر به پیدایش مساله ای به نام هرزنامه شده است. در این مقاله، سیستم تشخیص هرزنامه جدیدی با بکارگیری دیدگاه شباهت معنایی و الگوریتم ترکیبی شبکه عصبی و بهینه سازی ازدحام ذرات ارائه شده است. شبکه عصبی مصنوعی یکی از روشهای قوی یادگیری ماشین برای دستهبندی رایانامه-ها است. استفاده از الگوریتمهای فرامکاشفهای نظیر بهینه سازی ازدحام ذرات، برای رفع ضعف الگوریتم های مبتنی بر گرادیان، در سالهای اخیر بسیار مورد توجه قرار گرفته است. الگوریتم تکاملی بهینه سازی ازدحام ذرات روشی هوشمند و سریع در یافتن نقاط بهینه در فضای جستجو است، از طرفی به روز رسانی وزن های شبکه عصبی به یک مساله بهینه سازی ختم میشود. بنابراین الگوریتم بهینه سازی ازدحام ذرات جهت آموزش و تنظیم وزن های شبکه عصبی چندلایه استفاده شده است، از این رو بکارگیری ترکیب این دو الگوریتم به عنوان دستهبند در سیستم تشخیص هرزنامه برای نخستین بار را، میتوان یک نوآوری در این مقاله نام برد. همچنین روشهای تشخیص هرزنامه مبتنی بر کلمات کلیدی، ارتباط بین کلمات را در نظر نمیگیرند، بنابراین استفاده از دیدگاه شباهت معنایی در سیستم تشخیص هرزنامه، روشی مناسب برای غلبه بر مشکلات مدل مبتنی بر کلمات کلیدی است. در این مقاله، برای مقایسه کارایی روش پیشنهادی آزمایشات بر روی مجموعه داده بزرگ PU1 انجام شده است. نتایج بدست آمده نشان میدهد که روش پیشنهادی این مقاله میتواندهرزنامه ها را با دقت بالایی تشخیص داده و کارایی سیستم را افزایش دهد.

کلیدواژه ها:

تشخیص هرزنامه ، شبکه عصبی ، الگوریتم بهینه سازی ازدحام ذرات ، دیدگاه شباهت معنایی ، مدل فضای برداری ، ویژگی معنایی.