Makine öğrenmesi ve bulanık mantık tip-3 teknikleri kullanılarak sosyal medya platformlarında sahte hesap tespiti

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Bilişim Enstitüsü, Bilgisayar Eğitimi, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Öğrenci: HAIDER A.GABAR AL ZEYADI

Danışman: FECİR DURAN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Günümüzde Çevrimiçi Sosyal Ağlar dijital ortamda başlıca bilgi kaynağı olarak ortaya çıkmıştır. Bu platformda spam hesaplarının yaygın olarak yayılması, gerçek hesapları sahte hesaplardan ayırmada önemli zorluklar yaratmaktadır. Bu tez, özellikle Twitter platformunda sosyal medyada spam hesaplarının tespitini iyileştirmek için Derin Öğrenme ve Makine Öğrenimi metodolojilerinin yanı sıra üst düzey Bulanık Mantık üzerine kapsamlı bir analiz yapmaktadır. Bu çalışma, Twitter mimarisinde yüksek belirsizlik dereceleri arasında spam tespitinin etkinliğini artırmak için Genişletilmiş Kalman Filtresi ve Karekök Kübik Kalman Filtresi'ni birleştiren yeni hibrit öğrenme yöntemlerini kullanan, Kendiliğinden Uyarlamalı Aralık Tipi-3 Bulanık Mantık Sistemi'ni tanıtmaktadır. Önerilen metodoloji, özgün ve özgün olmayan davranışlar arasındaki sınırdan kaynaklanan belirsizlik sorunlarını modellemeyi içermektedir. Tip-3 Bulanık Mantık Sistemleri, kural değerlendirmesi, üyelik fonksiyonları ve veri yapısı düzeylerindeki belirsizlikleri ele almak için kullanılmaktadır. Bu çalışmada, kural ağırlıklarına ek olarak Üyelik Fonksiyonlarının merkezlerini ayarlamak için yeni bir uyarlanabilir strateji uygulamaktadır. Kural ağırlıklarının ve bulanık küme merkezlerinin ilk ayarları, geliştirilmiş kovaryans matrisleriyle birlikte Parçacık Sürü Optimizasyonu kullanılarak optimize edilmiştir. Modelde en uygun parametreler kalman filtreleri aracılığı ile belirlenmektedir. Önerilen stratejinin etkinliği, gerçek veri setleri kullanılarak dört farklı senaryoda gösterilmektedir. Önerilen modelle birlikte yürüttüğümüz çalışma, FT-Transformer ve TabNet gibi gelişmiş derin öğrenme modellerinin yanı sıra Karar Ağacı ve lojistik regresyon gibi beş geleneksel makine öğrenimi yöntemini de içermektedir. Gerçek dünya veri setine Bulanık Mantık, Derin Öğrenme ve Makine Öğrenmesi metodolojileri uygulanarak deneysel bulgular elde edilmiştir. Deneysel bulgular, önerilen Hibrid Tip-3 Bulanık Mantık yaklaşımının %96,74 doğruluk, 0,98 hatırlama, 0,96 F-skoru ve 0,98 AUC değeri ile yüksek performans gösterdiğini ve etkinliğin önemli ölçüde arttığını ortaya koymaktadır. Bununla birlikte, Hibrid Tip-3 Bulanık Mantık aracılığıyla geliştirilen spam dedektörlerinin, doğruluk, hassasiyet, F-skoru ve AUC ile değerlendirildiğinde, Derin öğrenme ve makine öğrenimi performanslarından daha yüksek bir başarıma ulaştığını ortaya koymakta ve önerilen metodolojinin Twitter platformunda karmaşık ve belirsiz koşullarda üstünlüğünü göstermektedir.