Dynamicity-aware Social Bot Detection with Dynamic Graph Transformers

检测社交机器人已经演变成为一项关键而复杂的任务，旨在打击虚假信息的传播，保护在线交互的真实性。虽然早期基于图的方法利用社交网络的拓扑结构取得了显着的成果，但它们忽略了社交网络固有的动态性--事实上，它们在很大程度上将社交网络描绘为静态图，并仅依赖于其最新状态。由于缺乏动态建模，这些方法容易被规避，特别是当高级社交机器人与其他用户互动以伪装身份并逃避检测时。为了解决这些挑战，我们提出了BotDGT，这是一个新颖的框架，不仅考虑了拓扑结构，而且有效地融合了社交网络的动态性质。具体而言，我们将社交网络描述为一个动态图。采用结构模块从每个历史快照中获取拓扑信息。此外，提出了一个时间模块，用于整合历史上下文并模拟社交机器人和合法用户展示的不断发展的行为模式。实验结果表明，在准确率、召回率和F1得分等方面，BotDGT相对于忽略社交网络动态性质的领先方法具有更高的优越性。

BotDGT论文试图解决社交媒体中社交机器人检测的问题，特别是静态图模型无法准确识别动态社交网络中的高级社交机器人的问题。

BotDGT框架不仅考虑了社交网络的拓扑结构，还有效地整合了社交网络的动态性质。它将社交网络描述为一个动态图，并使用结构模块从每个历史快照中获取拓扑信息。此外，还提出了一个时间模块来整合历史上下文，并模拟社交机器人和合法用户展示的不断发展的行为模式。

论文通过实验验证了BotDGT在准确性、召回率和F1得分等方面优于忽略社交网络动态性质的领先方法。论文使用了多个数据集进行实验，并开源了代码。

在社交机器人检测领域的相关研究包括：Detecting Automation of Twitter Accounts: Are CAPTCHAs Really Helping?，A Deep Learning Approach to Detecting Automation of Twitter Accounts，Detecting Social Bots on Twitter using Time-Series Analysis。