انجمن علمی مدیریت اطلاعات ایران مدیریت اطلاعات 1735-8418 9 2 2024 02 20 Detecting Fake Accounts with Machine Learning Techniques: A Case Study on the X Social Network (Formerly Twitter) شناسایی حساب‌های کاربری جعلی با استفاده از یادگیری ماشین: مطالعه‌ای روی شبکۀ اجتماعی X (توییتر سابق) 50 67 226649 10.22034/aimj.2025.489949.1616 FA محمد رجبیان کارشناس ارشد، گروه فناوری اطلاعات، دانشکده صنایع، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران منیره حسینی دانشیار، گروه فناوری اطلاعات، دانشکده صنایع، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران 0000-0002-3677-0811 Journal Article 2024 11 25 The popularity of online social networks (OSNs) is increasing daily. This has led to malicious individuals exploiting these platforms. Often, these individuals use fake accounts to carry out their malicious actions. Many researchers have focused on identifying fake user accounts on various social networks using machine learning methods. Most previous studies have used feature reduction, selection, or extraction methods to reduce the number of features and increase the speed when using ensemble machine learning methods to accurately identify fake user accounts. In the current research, 67 numerical features were selected to identify fake user accounts, which ensures high classification speed and eliminates the need for feature reduction. Additionally, a new hybrid method has been proposed in which the Support Vector Machine (SVM) algorithm is optimized with Particle Swarm Optimization (PSO), Grey Wolf Optimizer (GWO), and Neural Networks (NN). In the current research, the best average accuracy achieved over one hundred runs of the algorithms was 98.28%, which occurred when combining the SVM algorithm with NN. محبوبیت شبکه‌های اجتماعی آنلاین (OSNs) هر روز افزایش می‌یابد و تعداد کاربران و میزان استفاده از این شبکه‌های اجتماعی، روزبه‌روز بیشتر می‌شود. این موضوع باعث شده است که سودجویانی از این فضا سوءاستفاده کنند و به اقدامات مخرب و حتی غیرقانونی نظیر، کلاه‌برداری، انتشار اخبار جعلی، جعل هویت و فریب کاربران بپردازند. اغلب این افراد از حساب‌های کاربری جعلی، برای اقدامات مخربانه خود استفاده می‌کنند. در بیشتر پژوهش‌های گذشته، پژوهشگران ابتدا با استفاده از روش‌های کاهش ویژگی، انتخاب ویژگی یا استخراج ویژگی، تعداد ویژگی‌‌های مجموعه داده را کاهش می‌دادند؛ سپس با استفاده از روش‌های ترکیبی یادگیری ماشین، به ارائه روشی جهت افزایش صحت در شناسایی حساب‌های کاربری جعلی اقدام می‌کردند. در پژوهش جاری، 67 ویژگی برای شناسایی حساب‌های کاربری جعلی انتخاب شده‌اند که مقادیر عددی دارند و این امر باعث می‌شود که نیاز به نرمال‌سازی و تحلیل متن وجود نداشته باشد و مدل آموزش‌دیده توسط یادگیری ماشین، به زبان خاصی وابسته نباشد و بتواند واقعی و جعلی بودن حساب‌های کاربری‌ای را که با زبان‌های مختلف ایجاد شده‌اند، شناسایی کند. همچنین روشی ترکیبی جدیدی ارائه شده است که در آن، مقدار پارامتر C الگوریتم ماشین بردار پشتیبان (SVM) با الگوریتم‌های بهینه‌سازی ازدحام ذرات (PSO) و بهینه‌ساز گرگ خاکستری (GWO) و شبکۀ عصبی (NN) بهینه‌سازی می‌شود. در پژوهش جاری بهترین میانگین صحت به‌دست‌آمده، در صد مرتبه اجرای الگوریتم‌ها 28/98درصد بوده که هنگام ترکیب الگوریتم SVM با NN اتفاق افتاده است. https://www.aimj.ir/article_226649_ec0b8bbac676bd80d6648459bb11a0c6.pdf