通过异质性感知表示学习与原型引导聚类发现增强机器人检测

检测社交媒体机器人对于维护社交网络的安全性和可信度至关重要。尽管当代基于图的检测方法展现出了可喜的结果，但它们的实际应用受限于对标签的依赖以及在不同社区间较差的泛化能力。生成式图自监督学习（GSL）提供了一种克服这些限制的有前景的范式，然而现有方法主要遵循同质性假设，并且未能捕捉图中的全局模式，这可能会降低它们在面临机器人检测场景中的交互伪装和分布式部署挑战时的有效性。为此，我们提出了 BotHP，这是一个生成式 GSL 框架，旨在通过异质性感知表示学习和原型引导聚类发现来增强基于图的机器人检测器。具体而言，BotHP 采用双编码器架构，由一个图感知编码器用于捕捉节点共性，以及一个图无关编码器用于保留节点独特性组成。这使得能够同时建模同质性和异质性，有效应对交互伪装问题。此外，BotHP 引入了一个原型引导聚类发现前置任务，以建模机器人集群的潜在全局一致性，并识别空间分散但语义对齐的机器人集合。在两个真实世界机器人检测基准上的大量实验表明，BotHP 能够持续增强基于图的机器人检测器，提高检测性能，减轻标签依赖，并增强泛化能力。