SeGA：结合提示的偏好感知自对比学习用于 Twitter 异常用户检测
社会与信息网络
2023-12-20 v1 人工智能
计算与语言
机器学习
摘要
在动态且快速发展的社交媒体世界中，检测异常用户已成为解决虚假信息和网络欺凌等恶意活动的关键任务。随着异常用户数量的增加，其模仿正常用户和逃避检测的能力也随之提高，现有仅专注于机器人检测的方法在捕捉用户间细微差别方面效果不佳。为应对这些挑战，我们提出了 SeGA，一种用于异常用户检测的偏好感知自对比学习方法，该方法利用 Twittersphere 中的异构实体及其关系来检测具有不同恶意策略的异常用户。SeGA 利用大型语言模型的知识，通过帖子总结用户偏好。此外，将用户偏好与提示整合作为偏好感知自对比学习的伪标签，使模型能够学习描述用户行为的多方面特征。在提出的 TwBNT 基准上进行的大量实验表明，SeGA 显著优于最先进的方法（提升幅度为 +3.5% ~ 27.6%），并实证验证了模型设计和预训练策略的有效性。我们的代码和数据已在 https://github.com/ying0409/SeGA 公开。
引用
@article{arxiv.2312.11553,
title = {SeGA: Preference-Aware Self-Contrastive Learning with Prompts for Anomalous User Detection on Twitter},
author = {Ying-Ying Chang and Wei-Yao Wang and Wen-Chih Peng},
journal= {arXiv preprint arXiv:2312.11553},
year = {2023}
}
备注
AAAI 2024 Main Track