SeBot: Structural Entropy Guided Multi-View Contrastive Learning for Social Bot Detection

最近社交机器人检测的进展是由于采用了图神经网络。社交图是由社交网络交互构建的，包含影响彼此的良性和机器人账户。然而，之前的基于图的检测方法遵循传递消息的范式，可能没有充分利用隐藏的图信息，并且容易受到对抗性机器人行为的影响。不同类别和社区之间的无差别消息传递导致节点表征过于同质化，最终降低了社交机器人检测器的有效性。在本文中，我们提出了SEBot，这是一种新颖的基于多视图图形对比学习的社交机器人检测器。我们使用结构熵作为不确定性度量来优化整个图的结构和子图级别的细粒度，揭示隐含的分层社区结构。我们设计了一个编码器，以实现超越同质性假设的消息传递，增强对社交机器人对抗性行为的鲁棒性。最后，我们采用多视图对比学习来最大化不同视图之间的互信息，并通过多任务学习增强检测性能。实验结果表明，与SOTA方法相比，我们的方法显著提高了社交机器人检测的性能。

本论文旨在解决社交机器人检测中存在的问题，包括之前的图神经网络方法无法充分利用隐藏的图信息和容易受到对抗性机器人行为的影响等。

论文提出了一种新的多视图图形对比学习启用的社交机器人检测器SEBot，利用结构熵作为不确定性度量来优化整个图的结构和子图级别的细粒度，设计了编码器来增强对抗性机器人行为的鲁棒性，并通过多任务学习使用多视图对比学习来提高检测性能。

论文的实验结果表明，相比现有的社交机器人检测方法，SEBot显著提高了检测性能，同时也证明了使用结构熵和多视图对比学习的有效性。

最近的相关研究包括基于图神经网络的社交机器人检测方法，如GNN、GCN等。