طبقه بندی تقلب های همکارانه در شبکه حراجی الکترونیکی با استفاده از معیار شباهت در طبقه بندی جمعی

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 290

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_PADSA-7-1_008

تاریخ نمایه سازی: 3 دی 1398

چکیده مقاله:

در دنیای امروز بحث طبقه بندی اطلاعات اهمیت زیادی یافته است. در مسائل طبقه بندی هدف شناسایی ویژگی هایی است که گروهی را که هر موجودیت به آن تعلق دارد را نشان دهند. یکی از مواردی که می توان برای طبقه بندی استفاده نمود، طبقه بندی کاربران حراجی می باشد. با توجه به این­که در طی سال های گذشته حراجی الکترونیکی اهمیت فراوانی پیدا کرده است، مسئله شناسایی افراد متقلب در این نوع شبکه ها توجه کاربران زیادی را به خود جذب کرده است. یکی از انواع تقلب، تقلب با روش همکاری و تبانی کاربران متقلب دیگر در حراجی می باشد که این نوع تقلب در صورت وقوع بسیار خطرناک می باشد و ممکن است ضررهای مالی جبران­ناپذیری را در پی داشته باشد. در این مقاله روشی را پیشنهاد می دهیم که ابتدا ویژگی های موثر در یافتن افراد عادی را برای هر کاربر حراجی استخراج نموده و سپس طبقه بندی کاربران را با روش طبقه بندی جمعی انجام می دهد. در روش پیشنهادی، برای بهبود نتایج، تابع پتانسیل لبه در روش طبقه بندی جمعی تعریف      می­گردد که از فاصله L1-norm به­عنوان معیار شباهت بین دو گره مجاور استفاده می نماید. نتایج نشان می دهند که تابع پتانسیل لبه تعریف شده، در بهبود نرخ طبقه بندی شناسایی کاربران متقلب همکار کارآیی خوبی را دارد.

کلیدواژه ها:

نویسندگان

مهیلا دادفرنیا

دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشگاه یزد

فضل الله ادیب نیا

استادیار، گروه مهندسی کامپیوتر، دانشگاه یزد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Y. Li, A. Tripathi, and A. Srinivasan, Challenges in Short ...
  • S. Ganguly and S Sadaoui, Classification of Imbalanced Auction Fraud ...
  • I. Lee, Big data: Dimensions, evolution, impacts, and challenges, Business ...
  • P. Sen, G. Namata, M. Bilgic, L. Getoor, B. Galligher, ...
  • MI. Melnik, Confronting the Challenges of Asymmetry of Information and ...
  • DataStax, eBay Engages Customers with Personalized Recommenda­tions, Aug. 2017. ...
  • M. M. Flax, Economic Crimes, San Clemente, CA, USA: LawTech ...
  • CH. Yu, A Fuzzy Genetic Approach for Optimization of Online ...
  • DH. Chau and C. Faloutsos, Fraud Detection Using Social Network ...
  • A. Jamalyfard and H. Shirazi, Web-based Military Management Systems Security ...
  • J. Li, KF. Tso, and F. Liu, Profit earning and ...
  • D. H. Chau and C. Faloutsos, Fraud detection in electronic ...
  • TD. Kavu, T. Rugube, F. Kawondera, and N. Chifamba, A ...
  • S. Pandit, D. Chau, S. Wang, and C. Faloutsos, Netprobe: ...
  • S. Tsang, Y. S. Koh, G. Dobbie, and S. Alam, ...
  • Q Wu, Y. Ye, S. S. Ho, and S. Zhou, Semi-supervised multi-label ...
  • K. P. Murphy, Y. Weiss, and M. I. Jordan, Loopy ...
  • D. Tax and R. Duin, Support vector domain description, Pattern ...
  • AA. Goshtasby, Similarity and dissimilarity measures, In Image registration, pp. ...
  • نمایش کامل مراجع