اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شماره‌ها | 1,252 |
| تعداد مقالات | 9,075 |
| تعداد مشاهده مقاله | 8,162,766 |
| تعداد دریافت فایل اصل مقاله | 4,919,259 |
طبقه‌بندی تقلب‌های همکارانه در شبکه حراجی الکترونیکی با استفاده از معیار شباهت در طبقه‌بندی جمعی | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 7، دوره 7، شماره 1 - شماره پیاپی 25، خرداد 1398، صفحه 95-103 اصل مقاله (1.11 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| مهیلا دادفرنیا1؛ فضل‌الله ادیب‌نیا* 2 | ||
| 1دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشگاه یزد | ||
| 2استادیار، گروه مهندسی کامپیوتر، دانشگاه یزد | ||
| تاریخ دریافت: 22 بهمن 1396، تاریخ پذیرش: 21 مهر 1397 | ||
| چکیده | ||
| در دنیای امروز بحث طبقه‌بندی اطلاعات اهمیت زیادی یافته است. در مسائل طبقه‌بندی هدف شناسایی ویژگی‌هایی است که گروهی را که هر موجودیت به آن تعلق دارد را نشان دهند. یکی از مواردی که می‌توان برای طبقه‌بندی استفاده نمود، طبقه‌بندی کاربران حراجی می‌باشد. با توجه به اینکه در طی سال‌های گذشته حراجی الکترونیکی اهمیت فراوانی پیدا کرده است، مسئله شناسایی افراد متقلب در این نوع شبکه‌ها توجه کاربران زیادی را به خود جذب کرده است. یکی از انواع تقلب، تقلب با روش همکاری و تبانی کاربران متقلب دیگر در حراجی می‌باشد که این نوع تقلب در صورت وقوع بسیار خطرناک می‌باشد و ممکن است ضررهای مالی جبرانناپذیری را در پی داشته باشد. در این مقاله روشی را پیشنهاد می‌دهیم که ابتدا ویژگی‌های موثر در یافتن افراد عادی را برای هر کاربر حراجی استخراج نموده و سپس طبقه‌بندی کاربران را با روش طبقه‌بندی جمعی انجام می‌دهد. در روش پیشنهادی، برای بهبود نتایج، تابع پتانسیل لبه در روش طبقه‌بندی جمعی تعریف میگردد که از فاصله L1-norm بهعنوان معیار شباهت بین دو گره مجاور استفاده می‌نماید. نتایج نشان می‌دهند که تابع پتانسیل لبه تعریف شده، در بهبود نرخ طبقه‌بندی شناسایی کاربران متقلب همکار کارآیی خوبی را دارد. | ||
| کلیدواژه‌ها | ||
| معیار شباهت؛ طبقه‌بندی جمعی؛ فاصله L1-norm؛ مدل تصادفی مارکف؛ روش انتشار باور حلقه‌ای | ||
| عنوان مقاله [English] | ||
| Collusive Fraud Classification in Network of Online Auction Using Similarity Measure in Collective Classification | ||
| نویسندگان [English] | ||
| M. Dadfarnia1؛ F. Adibnia2 | ||
| 1yazd university | ||
| 2yazd university | ||
| چکیده [English] | ||
| Nowadays, data classification is extremely important used with the purpose of identifying the features that indicate the group of the classification of each item. Classification of the user auctions is one of the usages of classification. In previous years, electronic auctions have become more important, so detecting fraudulent activities has attracted attention of many researchers. One type of fraud is the collusion of fraudulent users at the auction, which is a very dangerous type of fraud and if occurred, may lead to irreparable financial losses. In this paper, we propose a method that first extracts the effective features for finding normal people in the auction and then classifies the users by collective classification method. We define an edge potential function to use in collective classification, in which it uses the distance L1-norm as the similarity measure between the two adjacent nodes. The results show that the defined edge potential function is suitable for improving the classification rate of collaborative fraudulent users. | ||
| کلیدواژه‌ها [English] | ||
| Similarity Measure, Collective Classification, L1-norm, Markov Random Field, Loopy Belief Propagation | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
[1] Y. Li, A. Tripathi, and A. Srinivasan, “Challenges in Short Text Classification: The Case of Online Auction Disclosure,” p. 18, 2016.##
[2] S. Ganguly and S Sadaoui, “Classification of Imbalanced Auction Fraud Data,” Canadian Conference on Artificial Intelligence, pp. 84-89, 2017.##
[3] I. Lee, “Big data: Dimensions, evolution, impacts, and challenges,” Business Horizons, pp. 293-303, 2017.##
[4] P. Sen, G. Namata, M. Bilgic, L. Getoor, B. Galligher, and T. Eliassi-Rad, “Collective classification in network data,” AI magazine, 2008.##
[5] MI. Melnik, “Confronting the Challenges of Asymmetry of Information and Competition: The Rise of eBay,” InTrends and Innovations in Marketing Information Systems, pp. 293-307, 2015.##
[6] DataStax, eBay Engages Customers with Personalized Recommendations, Aug. 2017.##
[7] M. M. Flax, “Economic Crimes,” San Clemente, CA, USA: LawTech Publishing Group, 2005.##
[8] CH. Yu, “A Fuzzy Genetic Approach for Optimization of Online Auction Fraud Detection,” Frontier Computing, pp. 965-974, 2016.##
[9] DH. Chau and C. Faloutsos, “Fraud Detection Using Social Network Analysis, a Case Study, Encyclopedia of Social Network Analysis and Mining,” pp. 547-552, 2014.##
[10] A. Jamalyfard and H. Shirazi, “Web-based Military Management Systems Security Using Combination of One-class Classifiers,” Journal of Electronical & Cyber Defence, vol. 3, no. 3, pp. 19-30, 2013. (in Persian)##
[11] J. Li, KF. Tso, and F. Liu, “Profit earning and monetary loss bidding in online entertainment shopping: the impacts of bidding patterns and characteristics,” Electronic Markets, pp. 77-90, 2017.##
[12] D. H. Chau and C. Faloutsos, “Fraud detection in electronic auction,” European Web Mining Forum Proceeding, pp. 87–97, 2005.##
[13] TD. Kavu, T. Rugube, F. Kawondera, and N. Chifamba, “A fraud detection tool in E-auctions,” African Journal of Mathematics and Computer Science Research, pp. 1–11, 2016.##
[14] S. Pandit, D. Chau, S. Wang, and C. Faloutsos, “Netprobe: a Fast and Scalable System for Fraud Detection in Online Auction Networks,” Conference on World Wide Web, vol. 42, pp. 201–210, 2007.##
[15] S. Tsang, Y. S. Koh, G. Dobbie, and S. Alam, “SPAN: Finding Collaborative Frauds in Online Auctions,” Knowledge-Based Syst., vol. 71, pp. 389–408, 2014.## [16] Q Wu, Y. Ye, S. S. Ho, and S. Zhou, “Semi-supervised multi-label collective classification ensemble for functional genomics,” BMC genomics, vol. 15, no. 9, 2014.##
[17] K. P. Murphy, Y. Weiss, and M. I. Jordan, “Loopy belief propagation for approximate inference: An empirical study,” 15th Conference Uncertainty in Artificial Intelligence, pp. 467–475, 1999.##
[18] D. Tax and R. Duin, “Support vector domain description,” Pattern Recognition Letters, vol. 20, no. 11-13, pp. 1191– 1199, 1999.##
[19] AA. Goshtasby, “Similarity and dissimilarity measures,” In Image registration, pp. 7-66, 2012.## | ||
|
آمار تعداد مشاهده مقاله: 430 تعداد دریافت فایل اصل مقاله: 259 |
||
