طبقه‌بندی تقلب‌های همکارانه در شبکه حراجی الکترونیکی با استفاده از معیار شباهت در طبقه‌بندی جمعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشگاه یزد

2 استادیار، گروه مهندسی کامپیوتر، دانشگاه یزد

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


[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.##