Detectar desviadores de la norma en las redes sociales

Investigación en el Revista internacional de comunidades basadas en la web introduce un enfoque nuevo y preciso para identificar usuarios anormales en las redes sociales mediante el examen de varias características del comportamiento del usuario a la vez. Al aprovechar las API (interfaces de programación avanzadas) de varias redes sociales, Jian Xie, de la Facultad de Educación de la Universidad Normal de Fuyang en Fuyang, China, pudo recopilar datos completos sobre los usuarios, incluidos detalles sobre sus cuentas, el contenido que publican y las formas específicas en que se comportan.

Un análisis de estos datos le permitió atribuir un conjunto de atributos a los usuarios. Al aplicar la reducción de atributos, pudo eliminar las funciones redundantes y así crear un conjunto de funciones de atributos específico con el que analizar las cuentas sospechosas.

Luego, Xie usó los datos asimilados para entrenar el modelo XGBoost, un poderoso algoritmo de aprendizaje automático, para crear una función altamente objetiva que puede señalar rápidamente un comportamiento anormal en una red social. Xie pudo identificar a los usuarios anómalos con un 95 % de precisión, suficiente para alertar a los administradores del sistema sobre cualquier problema putativo que luego podría investigarse manualmente y tomar medidas para bloquear a los usuarios malintencionados, por ejemplo. El nivel de error alcanzado fue bajo, al igual que la velocidad con la que se podían identificar los usuarios anómalos, en fracciones de segundo, de hecho. El enfoque de Xie es más rápido y preciso que los métodos anteriores que señala en su artículo.

Los hallazgos tienen implicaciones en las redes sociales, donde la identificación de usuarios anormales, ya sean terceros malintencionados, trolls, spammers, acosadores, cuentas de información errónea, cuentas falsas, nombres de usuario secuestrados o bots, juega un papel importante en el mantenimiento de la seguridad de los usuarios legítimos. y proteger la integridad general de la comunidad digital.

«Este método tiene las características de alta precisión de extracción de características, baja tasa de errores de identificación y bajo tiempo de identificación de usuarios anormales en las redes sociales», concluye Xie. Sugiere que el enfoque podría sentar las bases para desarrollar poderosas políticas de seguridad de redes sociales.