关注社交异配性的社交机器人检测框架

随着社交机器人的迭代,其倾向于与正常用户进行更多交互,对其检测变得更具挑战性。现有检测方法大多基于同配性假设,由于忽视了不同类用户间存在的联系,难以保持良好的检测性能。针对这一问题文章提出一种关注社交异配性的社交机器人检测框架,以社交网络用户间的联系为依据,通过充分挖掘用户社交信息来应对异配影响,并实现更精准的检测。文章分别在同配视角和异配视角下看待用户之间的联系,将社交网络构建为图,通过消息传递机制实现同配边和异配边聚合,以提取节点的频率特征,同时利用图中各节点特征聚合得到社交环境特征,将以上特征混合后用于检测。实验结果表明,文章所提方法在开源数据集上的检测效果优于基线方法,证明了该方法的有效性。

增长网络结点度相关性的混合系数

鉴于增长网络的一个显著特征是相邻结点之间的关系自发地形成,与被广泛研究的结点度分布相比,此种相邻结点关系的研究能更清楚地揭示更多内在的增长网络的结构特征.为此提出了一种称为混合系数M(g)的网络结点度相关性测度用来判别增长网络的同配和异配性.通过大量的计算机模拟和数值统计,分析了该测度关于网络规模N和稠密度ρ的稳定性,结果显示该测度比判别网络同配和异配性的Newman相关系数r(g)更具有稳定性.因此,混合系数M(g)具有优越性,可更好地被应用到实际网络的同配和异配性分析中.