BotTrans：面向社交机器人检测的多源图域适应方法

从相关社交网络迁移广泛知识已成为克服社交机器人及其他异常检测中标签稀缺问题的有前景方案。然而，有效的迁移面临两个关键挑战。首先，网络异质性问题，由机器人通过无差别与人类用户交互来隐藏恶意行为引起，阻碍了模型从源域中学习充分且准确的机器人相关知识。其次，单源迁移可能导致较差且不稳定的结果，因为源网络可能对任务相关性较弱且提供的知识有限。为应对这些挑战，我们探索了多个源域并提出了一种多源图域适应模型BotTrans。我们首先利用多个源网络之间共享的标注知识建立具有增强网络同质性的跨源域拓扑。然后聚合跨域邻居信息以增强源节点嵌入的区分力。随后，我们将每个源-目标对的相关性与模型优化相结合，促进了与检测任务更相关的源网络的知识迁移。此外，我们提出了一种细化策略，通过利用目标域中的语义知识来提高检测性能。在真实数据集上的大量实验表明，BotTrans优于现有的最先进方法，揭示了其在目标检测任务无标注时利用多源知识的有效性。