Filtrage des contenus indésirables (Texte) sur Twitter : traditionnel vs bio-inspiré algorithmes

Abstract

Twitter est l’un des plus grands sites de réseaux sociaux au monde, où la quantité d’informations et des messages qui appelé "Tweet" échangés entre les utilisateurs augmente ; Malheureusement, cela a accru la propagation des spammeurs qui partagent des messages indésirables, qui contiennent sou- vent des publicités ou des programmes ou des liens qui contiennent des sites malveillants, donc ces messages texte peuvent être détectés et classés comme spam , pour cela il existe plusieurs algorithmes et techniques a utilisé . C’est ce que nous avons abordé dans notre thèse, où nous avons utilisé une base de données unifiée et on a appliqué des techniques et des algorithmes traditionnels, et d’autre bio inspirés pour classer le message électronique comme spam ou non, et suivent les résultats, nous avons effectué un processus de comparaison où nous a conclu que l’algorithme Naïve Bayes donnait une précision de 83% bien meilleure que K-Nearest Neighbor, qui donnait une précision de 66% au mieux, avec plus de temps que n’en prenait Naïve Bayes, pour les algorithmes traditionnels, alors que pour les algorithmes d’optimisation bio inspiré, nous avons essayé d’appliquer une approche qui inclut l’algorithme Grey Wolf Optimization (GWO) combiné avec la classification K-NN, mais nous n’avons pas atteint de résultats logiques