Tez No	İndirme	Tez Künye	Durumu
661356		Sosyal ağlarda etkileşime dayalı davranış analizi ile karakter tespiti / Character identification with interaction-based behavior analysis in social networks Yazar:HAFZULLAH İŞ Danışman: DOÇ. DR. TANER TUNCER Yer Bilgisi: Fırat Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2021 121 s.
Bu tez çalışmasında, sosyal medya kullanıcılarının profil yapıları ve etkileşim şekillerinden elde edilen veriler kullanılarak davranış analizleri yapılmıştır. Yapılan davranış analizi ile sosyal ağ kullanıcılarının karakteristik özellikleri tespit edilmiştir. 4209 Twitter kullanıcısının; yoğunluk, merkezilik, çap, karşılılık, modülerlik, beğeni, takip/takipçi ve tweetler gibi on farklı metrik verisinden oluşturulan veri seti üzerinde farklı sınıflandırma yaklaşımları kullanılmıştır. Makine öğrenmesi ve derin öğrenme algoritmaları kullanılarak kullanıcılar, tespit edilen karakteristik yapılarına göre popüler-aktif, gözlemci-pasif ve spam-bot-kötücül olmak üzere 3 kategoride sınıflandırılmıştır. Veri setinin oluşturulmasında kullanılan metriklerden bir kısmı kullanıcı davranışlarının analizinde ilk kez kullanılmıştır. Bütünsel olarak bu metrikler birlikte kullanıldıklarında ortaya konulan probleme yüksek başarımlarla çözüm bulunmuştur. Kullanıcı profil yapısı ve etkileşim şeklinin görsellerle ifade edilmesi ve bu görsellerin derin öğrenme kullanılarak davranış analizi yapılmak üzere sınıflandırmada kullanılması dolayısıyla özgün bir yaklaşım ortaya çıkarılmıştır. Çalışmada, makine öğrenmesi ile yapılan sınıflandırmada en başarılı sonucu %96.81 ile En Yakın Komşu algoritması vermekle birlikte, en iyi sonuçları veren 3 algoritma olan En Yakın Komşu, Destek Vektör Makineleri ve Yapay Sinir Ağları algoritmalarının başarım ortalamaları %94.57 elde edilmiştir. Derin öğrenmenin Evrişimli Sinir Ağı modelleri ile yapılan sınıflandırmada ise en başarılı sonucu %98.67 ile Xception modeli vermiştir. En iyi sonuçları veren Xception, ResNet101 ve DenseNet201 algoritmalarının başarım ortalamaları ise %97.89 elde edilmiştir. Tez çalışmasında, bu başarımların yükseltilebilmesi için kullanılabilecek ek teknik ve yöntemlerde açıklanmıştır. Deneysel sonuçlara göre bu çalışmada uygulanan metodoloji ile, sosyal ağ kullanıcılarının etkileşimlerinden davranışlarının analiz edilmesi suretiyle karakterlerinin tespitinde önemli ölçüde başarım sağlanmıştır. Sosyal ağ kullanıcılarının profil yapıları ve etkileşim şekillerinden elde edilen verilerle yapılan davranış analizi, kullacıların karakterlerinin birçok kategoride başarıyla tanımlanabilmesinin yanı sıra sosyal ağ kaynaklı terörizm, şiddet, istismar, sahtecilik, dezenformasyon ve manipülasyonun önlenmesi noktasında da sınıflandırma kategorilerinin artırılabilmesi suretiyle genişletilebilir olması, siyasal-sosyal-ekonomik bakımdan faydalı çalışmalara ve uygulamalara zemin hazırlaması ve farklı yönleri ile ulusal-uluslararası bir çok dergide yayınlanan makalelerle literatüre katkı sağlaması motive edici ana unsurlar olmuştur.
In this thesis, behavioral analysis has been conducted using data obtained from the profile structures and interaction patterns of social media users. Characteristics of social network users were determined with the behavioral analysis. Dataset constructed from 4209 Twitter users. Different classification approaches were used on the data set, consisting of ten different metric data such as density, centrality, diameter, reciprocity, modularity, likes, followers/following rate and tweets, to be able to classify users successfully. Machine Learning and Deep Learning algorithms was used for classification. Users were classified into 3 categories according to their detected characteristic structures: popular-active, observer-passive and spam-bot-malicious. Some of the metrics used in creating the data set were used for the first time in the analysis of user behavior. When these metrics are used together in a holistic manner, a solution has been found with high success. A unique approach has been created because of the visual expression of the user profile structure and interaction style and the use of these visuals in classification for behavior analysis using deep learning. In the study, although the most successful result in the classification made by Machine Learning was 96.81%, the performance average of the Nearest Neighbor, Support Vector Machines and Artificial Neural Networks algorithms, which are the 3 algorithms with the best results, was 94.57%. In the classification made with Convolutional Neural Network models of Deep Learning, Xception model gave the most successful result with 98.67%. The average performance of Xception, ResNet101 and DenseNet201 algorithms, which gives the best results, was 97.89%. In the thesis, additional techniques and methods that can be used to increase these achievements are explained. As a result, behavioral analysis has been made with the data obtained from the profile structures and interaction patterns of social network users. According to the experimental results, with the methodology applied in this study, significant success has been achieved in identifying the characters of social network users by analyzing their behavior from their interactions. In the analysis, the characters of the users were successfully identified in many categories. In addition, it was determined that the classification categories could be increased in terms of preventing terrorism, violence, abuse, fraud, disinformation and manipulation originating from social networks. The fact that these categories are extensible has laid the groundwork for beneficial studies and practices in terms of politically-social-economic terms. Contribution of this study to the literature with articles published in various national and international journals have been the main motivating factors.