بهینه سازی هسته های چندگانه در ماشین بردارپشتیبان جفتی برای کاهش شکاف معنایی تشخیص صفحات فریب آمیز

موتورهای جستجو با خزش صفحات موجود در اینترنت و شاخص گذاری آن ها، قابلیت جستجوی سریع اطلاعات را به کاربران می دهند. یکی از چالش های مهم در استفاده از این ابزار، صفحاتی هستند که از آن ها به عنوان صفحات فریب آمیز نام برده می شود. رویکردهای مختلفی جهت تشخیص صفحات فریب ابداع شده است که می توان به روش هایی مانند سنجش میزان شباهت سبک کدهای صفحات، تحلیل الگوی زبانی صفحات و همچنین استفاده از روش های یادگیری ماشین بر اساس ویژگی های صفحات اشاره کرد. ازجمله الگوریتم های یادگیری ماشین که در این حوزه استفاده شده است ولی نتایج قابل توجهی را ارائه نکرده، الگوریتم ماشین بردارپشتیبان[i] (SVM) است. استفاده از هسته در ساختار طبقه بند SVM باعث می شود که داده هایی که دارای الگوی غیرخطی هستند با نگاشت به فضایی با ابعاد بیش تر بتوانند با مدل خطی تفکیک پذیر شوند. این کار باعث افزایش دقت تفکیک کنندگی مدل یادگیری ماشین می شود. اخیرا توسعه ایی از SVM با نام SVM جفتی[ii] (TSVM) ارائه شده است که با تغییر در فرضیه اولیه آن، از دو ابرصفحه[iii] برای تفکیک نمونه های هر کلاس استفاده می کند و توانسته نتایج بهتری در طبقه بندی ارائه کند. به دلیل استفاده از دو ابرصفحه در TSVM، لذا بهتر است تا از هسته های چندگانه در ساختار آن استفاده شود. به دلیل اینکه توابع هسته در هر کاربرد اختصاصی هستند لذا نمی توان از یک هسته عمومی برای همه کاربردها استفاده کرد. در این مقاله برای بهینه سازی ترکیب های بهینه توابع هسته پایه، از روشی تکاملی مبتنی بر الگوریتم ژنتیک (GA) استفاده شده است که با بهره گیری از آن در فرآیند تصمیم گیری هر ابرصفحه TSVM، بهبود در تشخیص صفحات فریب حاصل گردیده است. برای پیاده سازی و ارزیابی روش پیشنهادی، از مجموعه دادگان UK-2006 و UK-2007 استفاده شده است که نتایج حاصل بیانگر موثر بودن ایده پیشنهادی در این پژوهش است.