一个智能安全的框架,用于检测和防止在线招聘欺诈,使用整体机器学习技术
1Department of Information Systems, Faculty of Computing and Information Technology, King Abdulaziz University, Jeddah, Saudi Arabia.
PeerJ. Computer science
|June 22, 2023
概括
本研究介绍了一种机器学习框架,用于打击在线招聘欺诈 (ORF). 在检测虚假招聘广告方面,AdaBoost实现了98.374%的准确性,保护了申请人.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 数据科学数据科学数据科学
背景情况:
- 互联网和社交媒体促进了信息获取,但也使在线招聘欺诈 (ORF) 成为可能.
- 全球各地的ORF受害者因欺诈者通过虚假招聘公告收集个人数据而失去隐私.
- 需要自动化系统来检测和防止ORF,保护求职者.
研究的目的:
- 开发一个智能,安全的框架来检测和防止在线招聘欺诈.
- 利用整体机器学习技术来识别欺诈性的招聘广告.
- 通过区分合法和虚假的招聘公告来增强申请人的隐私.
主要方法:
- 使用了四种集体机器学习方法:AdaBoost (AB),Xtreme梯度提升 (XGB),投票和随机森林 (RF).
- 预处理数据集,使用清洁和消毒技术来优化检测性能.
- 使用准确度,精度,灵敏度,F测量和ROC曲线评估模型性能.
主要成果:
- 在测试的组合方法中,AdaBoost (AB) 显示出优异的性能.
- 拟议的AB框架在检测在线招聘欺诈时达到98.374%的高精度.
- 与现有方法进行的比较分析证实了AB模型的可靠性和有效性.
结论:
- 集团机器学习,特别是AdaBoost,为检测和防止在线招聘欺诈提供了可靠的解决方案.
- 开发的框架有效地区分了虚假的招聘广告,从而保护了求职者的隐私.
- 这项研究为加强在线招聘流程中的网络安全提供了一个强大的模型.
