基于对抗多关系图神经网络的机器账号检测

现有的机器账号检测方法或者依赖于对机器账号的先验知识,或者在检测时只关注单一账号的特征,忽略了与该账号有关系的其他账号所能带来的潜在表征,降低了所提检测方法的有效性。针对上述不足,该文提出了一种基于生成对抗网络的多关系图神经网络检测模型。从社交网络数据集中抽取不同关系,建立多关系图,采样节点,训练生成对抗网络,来动态改变关系图结构;将节点特征和图结构信息输入图神经网络,有选择的聚合邻居节点的特征,得到更加精确的图嵌入向量,将向量输入分类器进行检测。实验结果表明,相比于其他算法,该文所述算法在两个数据集中AUC分别最多提升了24%和9%,Recall值分别最多提升了13%和4%。

基于生成对抗网络的社交机器人检测

推特作为一个有着上亿活跃用户的社交媒体,有近15%的机器账户通过自动化程序被控制,其中一些机器账号为传播恶意信息的恶意账号。虽然研究者开发了大量复杂的机器账号检测方法,但这些方法都需要有关机器账号的先验知识,并且泛化性不高。为了解决这些问题,提出使用生成对抗网络中的判别器来进行机器账号检测,使得只需要真实账号的示例即可得到良好的检测模型,并在一个流行数据集做实验,AUC达到了94%的分类效果。

社交网络机器人检测综述

随着以微博为代表的社交网络平台的迅速流行,出现了大量社交机器人账号,部分恶意的机器人在社交网络平台上散布不良信息,进行虚假宣传,甚至发布煽动性言论、引发对立情绪。恶意机器人账号的存在对网络空间安全产生了严重威胁,因此,实现社交机器人的有效检测对于净化网络内容、维护真实的舆论环境具有十分重要的意义。目前,主要的社交机器人检测方法包括基于图的检测方法、基于机器学习的检测方法、基于异常的检测方法以及基于众包的检测方法。与此同时,社交机器人检测技术还面临着数据集难以稳定标注、缺乏健壮的特征等挑战。本文归纳和整理了社交机器人检测研究现状,并简要介绍了各项技术及其优缺点。最后,本文总结和展望了当前方法可以进一步改进的方向。