Finally, methods used in deception

Finally, methods used in deception detection in social media must account for features of social context (such as friends and family of an individual) that have been found to increase the accuracy of detection of deception.18 The downside is social network analyses (SNAs) tend to be dramatically more expensive as networks grow. Simple SNA metrics (such as “betweeness centrality”) become overwhelmingly difficult to compute as networks grow (O(N3)) where N is the number of nodes and more advanced statistical methods (such as exponential random graph models using Markov chain Monte Carlo algorithms) are costly to compute. However, the potential for this newly available social data is apparent, and computational efficiency must be addressed in large social networks. On a positive note, one online trend is formation of small social networking sites5 and communities for which deception-detection methods may be more computationally feasible

ผลลัพธ์ (ไทย) 1:

ในที่สุด วิธีที่ใช้ในการตรวจหาการหลอกลวงในสังคมต้องบัญชีสำหรับคุณสมบัติของบริบททางสังคม (เช่นเพื่อนและครอบครัวของบุคคล) ที่พบในการเพิ่มความแม่นยำในการตรวจจับของ deception.18 ข้อเสียคือ การวิเคราะห์เครือข่ายสังคม (SNAs) มักจะ เป็นมากแพงกว่าเครือข่ายเติบโต ง่าย SNA เมตริก (เช่น "แห่ง betweeness") กลายเป็นเรื่องยากแบบแอคทีฟในการคำนวณเครือข่ายเติบโต (O(N3)) ที่ N คือ จำนวนโหน และวิธีการทางสถิติขั้นสูง (เช่นรุ่นเนนสุ่มกราฟโดยใช้ขั้นตอนวิธีมอนติคาร์โลโซ่ Markov) เป็นค่าใช้จ่ายในการคำนวณ อย่างไรก็ตาม มีศักยภาพสำหรับข้อมูลสังคมนี้ให้เห็นได้ชัด และต้องได้รับการคำนวณประสิทธิภาพในเครือข่ายสังคมขนาดใหญ่ เมื่อทราบค่าบวก แนวโน้มออนไลน์หนึ่งคือของ sites5 เครือข่ายทางสังคมขนาดเล็กและชุมชนสำหรับตรวจหาที่หลอกลวงอาจมีวิธีกระทำขึ้น computationally

ผลลัพธ์ (ไทย) 2:

สุดท้ายวิธีการที่ใช้ในการตรวจสอบการหลอกลวงในสังคมสื่อต้องบัญชีสำหรับคุณสมบัติของบริบททางสังคม (เช่นเพื่อนและครอบครัวของแต่ละบุคคล) ที่มีการพบเพื่อเพิ่มความแม่นยำของการตรวจสอบของ deception.18 ข้อเสียคือการวิเคราะห์เครือข่ายทางสังคม (SNAS) มีแนวโน้มที่จะมีราคาแพงกว่าอย่างมากเป็นเครือข่ายเติบโต ง่ายเมตริก SNA (เช่น "betweeness ศูนย์กลาง") กลายเป็นโด่งยากที่จะคำนวณเป็นเครือข่ายเติบโต (O (N3)) ที่ N คือจำนวนโหนดและวิธีการทางสถิติที่สูงขึ้น (เช่นการชี้แจงรูปแบบกราฟสุ่มโดยใช้โซ่มาร์คอฟอัลกอริทึมมอนเตคาร์โล ) มีค่าใช้จ่ายในการคำนวณ แต่ศักยภาพในการให้ข้อมูลทางสังคมที่มีอยู่ใหม่นี้มีความชัดเจนและมีประสิทธิภาพในการคำนวณจะต้องอยู่ในเครือข่ายสังคมขนาดใหญ่ ในบันทึกบวกหนึ่งแนวโน้มออนไลน์เป็นการก่อตัวของ sites5 เครือข่ายสังคมขนาดเล็กและชุมชนซึ่งวิธีการหลอกลวงการตรวจสอบอาจจะมีความเป็นไปได้การคำนวณ

ผลลัพธ์ (ไทย) 3:

ในที่สุด วิธีการที่ใช้ในการหลอกลวงการตรวจจับในสื่อสังคมต้องบัญชีสำหรับลักษณะของบริบททางสังคม ( เช่น เพื่อนๆ และครอบครัวของบุคคล ) ที่ได้รับการพบเพื่อเพิ่มความถูกต้องของการตรวจหา deception.18 ข้อเสียคือการวิเคราะห์เครือข่ายทางสังคม ( snas ) มีแนวโน้มที่จะมากราคาแพงมากขึ้นเป็นเครือข่ายเติบโต เมตริก SNA ง่าย ( เช่น " betweeness ศูนย์กลาง " ) กลายเป็นขาดลอย ยากที่จะคำนวณเป็นเครือข่ายเติบโต ( o ( N3 ) โดยที่ n คือจำนวนของโหนดและวิธีการทางสถิติขั้นสูง ( เช่นกราฟแบบสุ่มโดยใช้อัลกอริทึมแบบ Markov Monte Carlo ) เป็นค่าใช้จ่ายในการคำนวณ แต่ศักยภาพสำหรับข้อมูลทางสังคมใช้ได้ใหม่นี้จะเห็นได้ชัดและประสิทธิภาพการคำนวณจะต้องอยู่ในสังคมเครือข่ายขนาดใหญ่ ในบันทึกบวก หนึ่งออนไลน์เป็นแนวโน้มการพัฒนาของเล็ก sites5 เครือข่ายสังคมและชุมชนซึ่งวิธีการตรวจสอบการหลอกลวงอาจจะ computationally เป็นไปได้มากขึ้น