УДК 004

Ретроспективный анализ эволюции методов верификации пользователей в социальных сетях с использованием алгоритмов машинного обучения

Ярыгин Олег Витальевич – студент Московского государственного технического университета им. Н.Э. Баумана

Аннотация: В данной статье проводится ретроспективный анализ методов верификации пользователей в социальных сетях и их эволюции на протяжении последних нескольких лет. Рассматриваются основные алгоритмы, которые способны качественно решать задачу верификации. Также предлагается прогнозирование будущих направлений развития алгоритмов машинного обучения, которые смогут более безопасно и эффективно решать данную задачу.

Ключевые слова: ретроспективный анализ, верификация пользователей в социальных сетях, машинное обучение. 

В последние годы социальные сети стали неотъемлемой частью нашей повседневной жизни. С ростом числа пользователей возникла необходимость верификации пользователей в социальных сетях. Целью верификации является обеспечение безопасности и достоверности информации, а также предотвращение подделки аккаунтов и недобросовестного поведения пользователей.

Так, ретроспективный анализ методов верификации в социальных сетях позволяет нам лучше понять, как со временем развивались эти методы и какие задачи они решали. Начиная с традиционных методов, таких как подтверждение по электронной почте или номеру телефона, и до более современных методов, основанных на биометрической аутентификации и анализе поведения пользователей, различные подходы были использованы для обеспечения безопасности и достоверности данных пользователей.

Прогнозирование эволюции методов верификации в социальных сетях с использованием алгоритмов машинного обучения становится все более актуальным и перспективным направлением исследований. Машинное обучение позволяет создавать модели, которые могут автоматически анализировать данные пользователей и выявлять подозрительное поведение и создание фейковых аккаунтов. Именно методы машинного обучения могут использоваться для обнаружения фейков, определения характеристик идентичности пользователя и предотвращения недобросовестного поведения и распространение деструктивного контента. Включение алгоритмов машинного обучения в методы верификации пользователей в социальных сетях позволяет улучшать безопасность и достоверность данных. Это может быть достигнуто путем анализа множества данных и прогнозирования эволюции методов верификации на основе обученных моделей и алгоритмов. Так, следует использовать следующие алгоритмы для процесса верификации пользователя:

1. Сверточные нейронные сети (CNN): Сверточные нейронные сети используются для распознавания образов и классификации изображений. В контексте верификации личности, они могут быть использованы для определения черт лица, таких как глаза, нос, губы, и т.д.
2. Глубинные сверточные нейронные сети (Deep CNN): они могут использоваться для извлечения более сложных и абстрактных признаков из изображений, что может улучшить точность верификации личности.
3. Метод опорных векторов (SVM): SVM могут быть использованы для классификации данных на основе их расстояния от разделяющей гиперплоскости. В контексте верификации личности они могут использоваться для классификации изображений лиц на “свое” и “чужое”. Деревья принятия решений (Decision Trees): Деревья принятия решений могут использоваться для разделения данных на подгруппы на основе определенных критериев. В контексте верификации личности, деревья принятия решений могут быть использованы, чтобы определить, является ли лицо на изображении лицом, которое уже было зарегистрировано в системе.
4. Случайный лес (Random Forest): Случайный лес представляет собой ансамбль деревьев принятия решений, которые обучаются на разных подвыборках данных.

Однако, следует отметить, что реализация и применение методов машинного обучения требуют дополнительных действий по обеспечению конфиденциальности данных пользователей и прозрачности использования алгоритмов. Это вызывает социально-этические вопросы, которые также должны быть учтены при разработке и применении этих методов. Использование алгоритмов машинного обучения представляет перспективный подход к повышению эффективности и точности верификации пользователей. Они позволяют автоматически анализировать данные и выявлять подозрительные активности и недобросовестное поведение, а также фейковые аккаунты. Успешная реализация и применение методов машинного обучения требует обратить внимание на прозрачность алгоритмов и регулирование конфиденциальности данных пользователей. Эти вопросы требуют дальнейших исследований и обмена лучшими практиками в индустрии.

В заключение, ретроспективный анализ и прогнозирование эволюции методов верификации пользователей в социальных сетях подтверждает их актуальность и важность. Они способствуют созданию более безопасной и доверительной среды для пользователей социальных сетей. Однако дальнейшие исследования и инновации в данной области являются неотъемлемой частью построения эффективных и надежных методов верификации пользователей. В статье были обсуждены лишь некоторые аспекты данной темы. Будущие исследования и практические разработки должны продолжить работу по развитию более сложных моделей на основе машинного обучения для обеспечения высокой безопасности и надежности верификации пользователей в социальных сетях.

Список литературы

1. Губанов Д. А. Социальные сети: модели информационного влияния, управления и противоборства / Д. А. Губанов, Д. А. Новиков, А. Г. Чхартишвили. – Москва: ООО Издательская фирма "Физико-математическая литература", 2010. – 228 с. – ISBN 978-5-94052-194-5. – EDN PFGVLV.
2. Namiot D., Ilyushin E., Chizhov I. On a formal verification of machine learning systems // International Journal of Open Information Technologies. № 5. URL: https://cyberleninka.ru/article/n/on-a-formal-verification-of-machine-learning-systems (дата обращения: 11.09.2023).
3. Морозова А. А. Достоверность информации в социальных сетях и критерии ее верификации (на примере «ВКонтакте») // Вестник ЧелГУ. 2017. № 6 (402). URL: https://cyberleninka.ru/article/n/dostovernost-informatsii-v-sotsialnyh-setyah-i-kriterii-ee-verifikatsii-na-primere-vkontakte (дата обращения: 11.09.2023).
4. Морозова А. А. Юзермейкер социальной сети: специфика коммуникативного поведения // Знак: проблемное поле медиаобразования. 2018. № 3 (29). URL: https://cyberleninka.ru/article/n/yuzermeyker-sotsialnoy-seti-spetsifika-kommunikativnogo-povedeniya (дата обращения: 11.09.2023).
5. Морозова А. А. Достоверность информации в социальных сетях и критерии ее верификации (на примере «ВКонтакте») // Вестник ЧелГУ. 2017. № 6 (402). URL: https://cyberleninka.ru/article/n/dostovernost-informatsii-v-sotsialnyh-setyah-i-kriterii-ee-verifikatsii-na-primere-vkontakte (дата обращения: 11.09.2023).