BSG4Bot：基于偏置异构子图的高效机器人检测
机器学习
2024-10-10 v1 人工智能
摘要
恶意社交机器人的检测已成为关键任务，因为机器人可以轻易部署并被操控来传播虚假信息、宣扬阴谋论等。现有大多数方法利用图神经网络（GNN）捕获用户配置文件和结构特征，取得了可喜的进展。然而，这些方法仍面临在大规模底图上昂贵的训练、当类似邻域模式假设不满足时性能下降、以及在高度对抗环境中机器人动态特征等局限。针对这些局限，本文提出一种名为BSG4Bot的方法，其核心思想是：在GNN上训练偏置子图（Biased SubGraphs）可以提高性能和时间/空间复杂度。具体而言，BSG4Bot首先在节点特征上进行高效预训练，以定义节点相似性，并通过结合预训练分类器计算得出的相似性和基于Personalized PageRank（PPR得分）计算得出的节点重要性来构建偏置子图。BSG4Bot随后在构建的子图上引入异构GNN，以高效有效地检测机器人。经济相对稳定的特征，包括内容类别和时间活动特征，经过在样本数据上的初步验证后被纳入BSG4Bot。大量实验表明，BSG4Bot在仅需近1/5的训练时间情况下，优于现有领先的机器人检测方法。
引用
@article{arxiv.2410.05356,
title = {BSG4Bot: Efficient Bot Detection based on Biased Heterogeneous Subgraphs},
author = {Hao Miao and Zida Liu and Jun Gao},
journal= {arXiv preprint arXiv:2410.05356},
year = {2024}
}