Представлена в редакцию

5. Сравнение с другими работами 
Для сравнения алгоритма, используемого в данной работе, с алгоритмами других ав-
торов была использована статья [18]. В этой статье произведено тестирование различных 
алгоритмов на двух наборах тестовых данных. Первый набор тестовых данных состоял 
наполовину из группы «genuine accounts» и наполовину из группы «social spambots #1». 
Второй набор тестовых данных состоял наполовину из группы «genuine accounts» и напо-
ловину из группы «social spambots #3». 
Для более корректного сравнения было произведено повторное обучение алгоритма 
без групп «social spambots #1», «social spambots #2», «social spambots #3» и без половины 
группы «genuine accounts» на полученных лучших гиперпараметрах. После произведённо-
го обучения было произведено тестирование на двух наборах тестовых данных, аналогич-
ных тестовым данным из статьи [18]. Сравнение результатов работы различных алгорит-
мов представлено в таблицах

---

Машиностроение и компьютерные технологии
 
34 
Таблица 4. Сравнение
-метрики на первом наборе тестовых данных 
Название статьи 
Используемый алгоритм 
Значение  
-меры 
BotOrNot: A system to evaluate social 
bots [25] 
«Случайный лес» с более 1000 
признаков 
0.288 
Empirical evaluation and new design 
for fighting evolving Twitter 
spammers [19] 
«Случайный лес»
5
с разрабо-
танным в статье набором при-
знаков 
0.261 
Twitter Spammer Detection Using 
Data Stream Clustering [26] 
Алгоритм кластеризации 
DenStream 
0.435 
A generic statistical approach for spam 
detection in online social networks 
[10] 
Марковский алгоритм класте-
ризации 
0.944 
DNA-inspired online behavioral mod-
eling and its application to spambot 
detection [27] 
Сравнение «цифровой ДНК» 
аккаунтов 
0.977 
Распознавание ботов в онлайновых 
социальных сетях при помощи ал-
горитма «Случайный лес» 
«Случайный лес» с 9 призна-
ками аккаунтов 
0.973