Dergiler / Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi / 2019 / Cilt: 8 - Sayı: 2
GÜNLÜK SOSYAL MEDYA KULLANICI HAREKETLİLİK VERİLERİNDEN ANORMAL AKTİVİTELERİN TESPİTİ
- Sayfa
- 638–651
- DOI
- —
Özet
Anormal aktiviteler, insanlar veya nesnelerin normal ve rutin davranışlarına uymayan aktiviteleri ifade etmektedir. Sosyal ağlardan anormal aktivite, hesap veya paylaşımların tespiti, sosyal medya kullanıcılarını zararlı ve rahatsız edici içeriklerden uzak tutmak için önem taşımaktadır. Ancak anormal aktivitelerin tespiti, anormal aktivitelerin gerçek olanlardan ayrılmasının zor olması, mevcut algoritmalar ve değerlendirme ölçütlerinin yetersiz olması, sosyal medya büyük verisinin analizinin zorlukları ve mekânsal ve zamansal boyutların ele alınmasının zorluklarından dolayı zordur. Bu çalışmada günlük sosyal medya kullanıcı hareketlilik verisi üzerinden anormal aktivitelerin tespiti yapılmıştır. Ayrıntılı olarak, sosyal medya kullanıcı hareketliliklerinden, günlük toplam ziyaret edilen lokasyon sayısı ve günlük toplam uzaklık adında iki özellik çıkarılmış ve bu özellikler anormal aktivitelerin tespitinde kullanılmıştır. Anormal aktivitelerin tespiti için DBSCAN kümeleme algoritmasını kullanan bir algoritma önerilmiştir. Elde edilen sonuçlar önerilen algoritmanın sosyal medya kullanıcılarının normal günlük aktivitelerini öğrenebildiğini ve anormal aktiviteleri tespit edebildiğini göstermiştir.
Abstract
Anomalous activities are the activities that do not fit into normal and routine behavior of people or objects. Anomalous activity, account, or sharing detection from social networks play an important role for preventing social media users from harmful and annoying contents. However, detecting anomalous activities is challenging due to the difficulty of separating anomalous activities from real ones, limitations of current algorithms and interest measures, the challenge of analyzing social media big data, and hardness of handling spatial and temporal dimensions. In this study, anomalous activities are detected using daily social media user mobility data. In particular, two features are extracted from daily social media user mobility, namely, daily total number of visited locations and daily total distance, and these features are used for detecting anomalous activities. An algorithm, that employs DBSCAN clustering algorithm, is proposed for detecting such activities. The results show that proposed algorithm could learn normal daily activities of social media users and detect anomalous activities.