Grey Wolf Optimizer-Based Feature Selection with Mutual Information Refinement for Machine Learning-Based Bot Detection on Social Media

सोशल मीडिया के विशाल और शोर-शराबे वाले परिदृश्य में, एक शांत लेकिन महत्वपूर्ण समस्या जड़ जमा चुकी है: स्वचालित खातों, या "बॉट्स" का उदय। ये ऐसे सॉफ्टवेयर प्रोग्राम हैं जिन्हें मानव उपयोगकर्ताओं की नकल करने के लिए डिज़ाइन किया गया है, जो संदेश पोस्ट करते हैं, सामग्री को लाइक करते हैं और दूसरों को फॉलो करते हैं ताकि निर्दोष समाचार अपडेट से लेकर खतरनाक गलत सूचनाओं और स्पैम तक सब कुछ फैलाया जा सके। जबकि इनमें से कुछ स्वचालित खाते वैध उद्देश्यों की पूर्ति करते हैं, कई दुर्भावनापूर्ण होते हैं, जो सार्वजनिक राय को प्रभावित करने और ऑनलाइन समुदायों में विश्वास को कम करने में सक्षम होते हैं। वर्षों से, शोधकर्ता ऐसे सिस्टम बनाने की कोशिश कर रहे हैं जो एक वास्तविक व्यक्ति और एक रोबोट के बीच अंतर बता सकें। चुनौती डेटा की भारी मात्रा में निहित है; सोशल मीडिया प्लेटफॉर्म लाखों उपयोगकर्ता प्रोफाइल उत्पन्न करते हैं, जिनमें से प्रत्येक में दर्जनों अलग-अलग विशेषताएं होती हैं, जैसे कि वे कितने ट्वीट भेजते हैं या उनके यूजरनेम की लंबाई कितनी है। इस जानकारी को छाँटकर उन कुछ सुरागों को खोजना जो वास्तव में मायने रखते हैं, एक घास के ढेर में एक विशिष्ट सुई खोजने जैसा है, लेकिन वह घास का ढेर लगातार बढ़ता और बदलता रहता है।

भारत के दयालबाग एजुकेशनल इंस्टीट्यूट के शोधकर्ताओं की एक टीम ने इस छँटाई की समस्या को हल करने के लिए एक नई विधि विकसित की है, जिसका लक्ष्य बॉट डिटेक्शन (बॉट पहचान) को तेज़ और अधिक सटीक बनाना है। हर एक जानकारी को कंप्यूटर प्रोग्राम में डालने के बजाय, उन्होंने शोर को हटाने और केवल सबसे महत्वपूर्ण विवरणों को रखने के लिए एक दो-चरणीय प्रक्रिया बनाई है। उनका दृष्टिकोण एक प्रकृति से प्रेरित खोज रणनीति और एक सांख्यिकीय पद्धति को जोड़ता है जो यह मापता है कि एक जानकारी दूसरी जानकारी के बारे में हमें कितना बताती है। इस हाइब्रिड तकनीक का उपयोग करके, वे साठ-आठ विभिन्न उपयोगकर्ता लक्षणों की एक विशाल सूची को केवल पच्चीस के एक बहुत छोटे और अधिक शक्तिशाली समूह में बदलने में सक्षम रहे, और अंततः दस विशेषताओं के एक और भी कड़े चयन तक पहुँचे जो पहचान के लिए सबसे प्रभावी साबित हुए।

शोधकर्ताओं ने 8,386 ट्विटर खातों की जानकारी वाले एक बड़े डेटासेट से शुरुआत की, जिनमें से आधे ज्ञात बॉट थे और आधे वास्तविक मानव थे। प्रत्येक खाते का वर्णन साठ-आठ विशेषताओं द्वारा किया गया था, जैसे कि फॉलोअर्स की संख्या, रिट्वीट की आवृत्ति, और उपयोगकर्ता के बायो की लंबाई। इन लक्षणों का सबसे अच्छा संयोजन खोजने के लिए, टीम ने सबसे पहले 'ग्रे वुल्फ ऑप्टिमाइज़र' (Grey Wolf Optimizer) नामक एक विधि का उपयोग किया। यह एक कंप्यूटर एल्गोरिदम है जो ग्रे वुल्फ (भेड़ियों) के सामाजिक पदानुक्रम और शिकार करने के व्यवहार की नकल करता है। इसके डिजिटल संस्करण में, "भेड़ियों" का एक समूह संभावित फीचर संयोजनों के विशाल स्थान का पता लगाता है, जहाँ सर्वोत्तम समाधान पैक को सबसे आशाजनक क्षेत्र की ओर ले जाते हैं। यह प्रक्रिया एक फिल्टर के रूप में कार्य करती है, जो साठ-आठ मूल लक्षणों को पच्चीस के अधिक प्रबंधनीय सेट तक सीमित कर देती है जो बॉट्स और मनुष्यों के बीच अंतर करने में सबसे अधिक संभावना दिखाते हैं।

एक बार जब पच्चीस विशेषताओं का यह प्रारंभिक समूह पहचान लिया गया, तो शोधकर्ताओं ने 'म्युचुअल इंफॉर्मेशन' (Mutual Information) नामक एक अवधारणा का उपयोग करके शोधन की दूसरी परत लागू की। इसे एक तरीके के रूप में समझें जो यह मापता है कि दो चीजें आपस में कितनी निकटता से संबंधित हैं; इस मामले में, इसने मापा कि किसी विशिष्ट उपयोगकर्ता लक्षण को जानने से यह अनुमान लगाने में कितनी मदद मिली कि वह उपयोगकर्ता बॉट है या नहीं। इन पच्चीस विशेषताओं को उनके बीच के संबंध के आधार पर रैंक करके, टीम देख सकी कि कौन से वास्तव में आवश्यक थे और कौन से केवल अनावश्यक थे। उन्होंने सर्वोत्तम परिणामों के लिए चार से लेकर बीस तक के विभिन्न समूह आकारों का परीक्षण किया, ताकि यह देखा जा सके कि कितने की आवश्यकता थी। इस चरण ने यह सुनिश्चित किया कि विशेषताओं की अंतिम सूची न केवल छोटी हो, बल्कि सबसे प्रासंगिक जानकारी से भी भरपूर हो, जिससे किसी भी शेष अव्यवस्था को हटाया जा सके जो पहचान प्रणाली को भ्रमित कर सकती थी।

यह देखने के लिए कि क्या यह सुव्यवस्थित दृष्टिकोण वास्तव में काम करता है, शोधकर्ताओं ने इसका परीक्षण पांच अलग-अलग प्रकार के मशीन लर्निंग मॉडल्स के विरुद्ध किया, जो पैटर्न पहचानने के लिए प्रशिक्षित कंप्यूटर प्रोग्राम हैं। उन्होंने निर्णय वृक्ष (decision trees) और सपोर्ट वेक्टर मशीनों जैसे मानक उपकरणों का उपयोग किया, लेकिन इसमें XGBoost नामक एक शक्तिशाली मॉडल भी शामिल किया। परिणामों ने दिखाया कि उनकी परिष्कृत सूची का उपयोग करके, सिस्टम असाधारण रूप से अच्छा प्रदर्शन करता है। XGBoost मॉडल ने विशेष रूप से, केवल आठ से बारह विशेषताओं के उपसमूह का उपयोग करके 98.87% की वर्गीकरण सटीकता प्राप्त की। इसका अर्थ यह है कि सिस्टम ने लगभग हर एक मामले में सही ढंग से पहचान की कि खाता एक बॉट था या मानव। बहुत कम विशेषताओं के साथ भी, सिस्टम ने उच्च प्रदर्शन बनाए रखा, जिससे यह सिद्ध हुआ कि उपयोगकर्ता के प्रोफाइल के हर विवरण का विश्लेषण किए बिना इन स्वचालित खातों का पता लगाना संभव है।

अध्ययन ने पुराने तकनीकों के विरुद्ध भी अपने नए तरीके की तुलना की जो विभिन्न खोज रणनीतियों, जैसे कि जेनेटिक एल्गोरिदम और पार्टिकल स्वार्म ऑप्टिमाइजेशन का उपयोग करती थीं। जबकि वे पुराने तरीके अच्छे समाधान खोजने में सक्षम थे, ग्रे वुल्फ ऑप्टिमाइज़र अधिक कुशल साबित हुआ, जिसने कुल लक्षणों को 63 प्रतिशत से अधिक कम करते हुए बेहतर विशेषताओं का सेट खोजा। यह कमी महत्वपूर्ण है क्योंकि इसका मतलब है कि पहचान प्रणाली बहुत तेज़ी से चल सकती है और इसे कम कंप्यूटिंग शक्ति की आवश्यकता होती है, जिससे यह बड़े सोशल मीडिया प्लेटफॉर्म पर वास्तविक दुनिया के उपयोग के लिए अधिक व्यावहारिक बन जाता है। शोधकर्ताओं ने पाया कि जबकि कुछ मॉडल बहुत कम विशेषताओं के साथ संघर्ष करते थे, अन्य, जैसे कि निर्णय वृक्ष और XGBoost, उनके द्वारा प्रदान किए गए संक्षिप्त, उच्च-गुणवत्ता वाले डेटा पर फलते-फूलते थे।

अंततः, यह कार्य प्रदर्शित करता है कि प्रभावी बॉट डिटेक्शन के लिए डेटा के पहाड़ों को छानने की आवश्यकता नहीं है। सही सुरागों को सावधानीपूर्वक चुनकर, शोधकर्ता ऐसे सिस्टम बना सकते हैं जो तेज़ और अधिक सटीक दोनों हों। अध्ययन पुष्टि करता है कि प्रकृति से प्रेरित खोज पद्धति और एक सांख्यिकीय रैंकिंग टूल का संयोजन सफलतापूर्वक उन विशिष्ट व्यवहारों को अलग कर सकता है जो एक सोशल मीडिया बॉट को परिभाषित करते हैं। हालाँकि शोधकर्ता नोट करते हैं कि भविष्य के कार्यों में बॉट बनाने वालों की लगातार विकसित होती रणनीतियों को संबोधित करने की आवश्यकता होगी और संभावित रूप से अधिक जटिल डेटा प्रकारों को शामिल करने की आवश्यकता होगी, उनके वर्तमान निष्कर्ष एक स्पष्ट मार्ग प्रदान करते हैं। उन्होंने दिखाया है कि सही दृष्टिकोण के साथ, डिजिटल शोर को काटकर उन स्वचालित खातों की पहचान करना संभव है जो ऑनलाइन समुदायों की अखंडता के लिए खतरा हैं।