Anatomy of an AI-powered malicious social botnet
Observatory on Social Media（社会媒体观测站）；Indiana University, Bloomington（印第安纳大学伯明顿分校）
本文研究了使用ChatGPT生成类人内容的Twitter恶意僵尸网络，发现其通过协调模式可被检测，但现有LLM分类器难以将其与人类账户区分，凸显了AI社交机器人的威胁。
2023-07-30 cs.AI cs.CY cs.SI
SODEXO: A System Framework for Deployment and Exploitation of Deceptive Honeybots in Social Networks
随着Facebook和Twitter等社交网站越来越受欢迎，越来越多的恶意攻击（如网络钓鱼和恶意软件）正在利用它们。在这些攻击中，社交僵尸网络拥有复杂的基础设施，利用被感染的用户帐户（称为机器人）自动创建新的社交网络帐户，用于发送垃圾邮件和传播恶意软件。传统的防御机制通常是被动的，对非零日攻击做出反应。在本文中，我们采取了积极主动的方法来提高安全性，在社交网络渗透僵尸网络与蜂蜜。我们提出了一个名为SODEXO的集成系统，它可以与社交网站连接，用于创建欺骗性的蜂蜜机器人，并利用它们从僵尸网络中获取信息。我们建立了一个Stackelberg博弈框架来捕捉蜜罐机器人和僵尸网络之间的战略互动，并使用定量的方法来了解蜜罐机器人在社交网络中的部署和利用的权衡。我们设计了一个保护和警报系统，集成了微观和宏观模型的蜜罐和最佳确定的安全策略的蜜罐。我们证实了所提出的机制与广泛的模拟和比较被动防御。
2012-07-24 cs.CR cs.GT cs.SI
Botnet Campaign Detection on Twitter
这是一种检测Twitter上机器人子集的方法，充其量是研究不足。这种方法将是通用的，足以适应大多数，如果不是所有的社交网络。本文重点关注的机器人子集是那些可以逃避大多数（如果不是所有）当前检测方法的机器人。这仅仅是因为它们几乎没有与之相关的信息可以被分析以做出决定。尽管任何社交媒体网站上的任何帐户都有与之相关的信息，但它很容易融入大多数用户，这些用户只是“潜伏者”-那些只消费内容，但不贡献内容的人。如果一个账户什么都不做，你怎么能确定它是一个机器人呢？等到他们行动的时候，已经太晚了。唯一的解决方案将是实时的，或接近实时的检测算法。
2018-08-29 cs.SI
Stegobot: construction of an unobservable communication network leveraging social behavior
我们建议使用社交网络构建一个不可观察的通信网络。通信端点是社交网络上的顶点。利用图像隐写术和用户的社交图像共享行为来构建概率上不可观察的通信信道。所有的交流都发生在连接朋友的社交网络覆盖的边缘。我们表明，这样的网络可以提供体面的带宽，即使是一个远离最佳的路由机制，如限制洪水。我们表明，这样的网络确实是可用的，通过构建一个僵尸网络上，它被称为Stegobot。它旨在通过社交恶意软件攻击传播并窃取受害者的信息。与传统的僵尸网络不同，Stegobot流量不会在机器人之间引入新的通信端点。我们分析了在线社交网络成员之间图像共享的真实数据集。对Stegobot网络吞吐量的分析表明，尽管它很隐蔽，但它的功能也很强大--能够以每月数十兆字节的速度将相当数量的敏感数据从受害者传输到僵尸主机。
2011-07-11 cs.CR cs.NI cs.SI
RTbust: Exploiting Temporal Patterns for Botnet Detection on Twitter
IIT-CNR（意大利国家研究委员会信息技术研究所）；University of Pisa（比萨大学）；Ca’ Foscari University of Venice（威尼斯卡福斯卡里大学）
在OSN中，我们许多所谓的在线朋友可能是被称为社交机器人的虚假账户，这些账户是故意重新分享目标内容的大型团体的一部分。在这里，我们研究Twitter上的转发行为，最终目标是检测转发社交机器人。我们收集了一个1000万转推的数据集。我们设计了一个新的可视化，我们利用突出的转发活动的良性和恶意模式。通过这种方式，我们发现了一个“正常”的转发模式，这是人类操作的帐户特有的，和3个可疑的模式相关的机器人活动。然后，我们提出了一个机器人检测技术，源于以前的探索转发行为。我们的技术，称为Retweet-Buster（RTbust），利用无监督的特征提取和聚类。LSTM自动编码器将转推时间序列转换为紧凑且信息丰富的潜在特征向量，然后使用基于层次密度的算法对其进行聚类。属于以恶意转发模式为特征的大型集群的帐户被标记为机器人。RTbust获得了优异的检测结果，F1 = 0.87，而竞争对手达到了F1 < 0.76。最后，我们将RTbust应用于一个大型的转发数据集，发现了2个先前未知的活跃僵尸网络，其中有数百个帐户。
2019-02-12 cs.AI cs.CR cs.CY
Improving Community Detection by Mining Social Interactions
社会关系可以根据它们发生的规律性和它们之间的相似性分为不同的类别。因此，罕见的，有点类似的关系是随机的，并在社会网络中造成噪音，从而隐藏了网络的实际结构，并防止准确的分析it.In这种情况下，在本文中，我们提出了一个过程来处理社会网络数据，利用时间特征，以提高现有的算法检测社区。通过去除随机交互，我们观察到，社交网络收敛到一个拓扑结构，更纯粹的社会关系和更多的模块化社区。
2018-10-05 cs.SI physics.soc-ph
An Introduction to Community Detection in Multi-layered Social Network
社会社区的提取及其动态变化是当今社会网络分析的重要问题之一。近年来，许多研究者提出了自己的社交网络群体发现方法。但是，几乎没有人注意到，现代社交网络比几年前复杂得多。由于IT系统中存在大量关于各种用户活动的不同数据，因此可以区分称为多层社交网络的新类别的社交网络。为此，本文提出了一种利用多层边聚类系数的多层社会网络社区发现新方法。
2012-09-26 cs.SI physics.soc-ph
Anomaly detection in online social networks
在线社交网络中的异常可能意味着不规则的，通常是非法的行为。在线社交网络中的异常可能意味着不规则的，通常是非法的行为。对这种异常的检测已被用于识别恶意个体，包括垃圾邮件发送者、性掠夺者和在线欺诈者。在本文中，我们调查现有的计算技术检测异常在线社交网络。我们将异常划分为静态或动态，标记或未标记，并调查检测这些不同类型异常的方法。我们认为，在线社交网络中的异常检测由两个子过程组成：网络特征的选择和计算，以及从该特征空间对观察结果进行分类。此外，本文还概述了异常检测可以解决的问题类型，并确定了未来研究的关键领域。
2016-08-01 cs.SI physics.soc-ph
Node-Centric Detection of Overlapping Communities in Social Networks
我们提出了NECTAR，一个社区发现算法，推广了鲁汶方法的局部搜索启发式重叠社区结构。NECTAR根据调用的网络动态选择要优化的目标函数。我们的综合基准图和现实世界的网络，地面真相社区的基础上，实验评估表明，NECTAR提供了优秀的结果相比，最先进的社区发现算法。
2016-07-06 cs.SI physics.soc-ph
LOBO -- Evaluation of Generalization Deficiencies in Twitter Bot Classifiers
在线社交网络中的僵尸网络越来越经常地影响正常的讨论流，攻击普通用户及其帖子，向他们发送不相关或攻击性内容的垃圾邮件，甚至操纵消息和账户的受欢迎程度。研究人员和网络犯罪分子参与了军备竞赛，不断开发旨在击败当前检测系统的新的和更新的僵尸网络，使这些检测系统过时。在本文中，我们激发了Twitter机器人检测中的广义评估的需要，并提出了一种方法来评估机器人分类器，通过测试它们看不见的机器人类。我们证明了这种方法在经验上是稳健的，使用不同大小和特征的机器人类并达到类似的结果，并认为在单个机器人类或数据集上训练和测试的方法可能无法推广到新的机器人类。我们训练一个这样的分类超过20万个数据点，并表明它达到了97%以上的准确率。用于训练和测试此分类器的数据包括文献中使用的一些最大和最多样化的机器人集合。然后，我们使用我们的方法测试这个理论上合理的分类器，强调它不能很好地推广到看不见的机器人类。最后，我们讨论了我们的结果的影响，以及为什么一些机器人类比其他机器人类更容易和更快地检测的原因。
2018-09-25 cs.CR cs.SI
Computational Propaganda Theory and Bot Detection System: Critical Literature Review
本文批判性综述计算宣传理论与机器人检测研究，指出现有监督学习方法在协同僵尸网络、跨平台适配和图像特征利用方面的不足，并提出未来研究方向。
2024-04-08 cs.SI
Social Event Detection with Interaction Graph Modeling
本文的重点是从社交媒体网站上发布的照片中检测社交，物理世界事件。问题很重要：廉价的媒体捕获设备显著增加了这些网站上共享的照片数量。本文的主要贡献是将在线社交互动功能的物理事件的检测。我们认为，在线社交互动反映了参与者之间关于两张照片的“社交亲和力”的重要信号，从而有助于事件检测。我们通过在社交互动图上随机游走来计算社交亲和力，以确定图上两张照片之间的相似性。我们训练一个支持向量机分类器，结合照片和照片为中心的元数据，包括时间，位置，标签和描述之间的社会亲和力。然后使用增量聚类将照片分组到事件聚类。我们在两个大规模的真实世界数据集上获得了非常好的结果：Upcoming和MediaEval。在这些数据集上，我们在F1中显示了0.06-0.10之间的改进。
2012-08-13 cs.IR cs.MM cs.SI
Multilingual Multimodal Digital Deception Detection and Disinformation Spread across Social Platforms
我们在这项工作中的主要贡献是多语言模型的新结果，这些模型超越了英语社交新闻内容中谣言或错误信息检测的典型应用，以识别多种语言（例如俄语，西班牙语等）中的细粒度数字欺骗类。此外，我们提出了多模态欺骗检测模型，从图像和文本，并讨论了图像和文本模型的局限性。最后，我们详细介绍了正在进行的测量在社交平台上传播的欺骗性内容（特别是虚假信息）的工作。
2019-09-12 cs.SI
A Tutorial on Event Detection using Social Media Data Analysis: Applications, Challenges, and Open Problems
本文综述利用社交媒体数据分析进行事件检测的应用价值，系统梳理社交媒体流监测中的关键挑战与基本权衡，并提出开放问题和未来研究方向。
2025-06-07 cs.SI
Supermajority Sentiment Detection with External Influence in Large Social Networks
在一个大型的社会网络，其成员怀有二元情绪对一个问题，我们调查的渐近精度的情绪检测。我们通过一个伊辛马尔可夫随机场模型来模拟用户情绪，并允许用户情绪受到外部影响的偏见。我们考虑了一个一般的绝大多数情感检测问题，并表明检测精度受到网络结构，参数以及外部影响水平的影响。
2017-10-08 cs.SI
Asymptotic Performance Analysis of Majority Sentiment Detection in Online Social Networks
分析了在线社交网络中的多数情感检测问题，并将检测错误概率与网络的底层图联系起来。建模的基础社交网络作为一个伊辛马尔可夫随机场先验的基础上给定的图，我们表明，在空图（独立的情感）和链图的情况下，检测总是不准确的，即使当用户的数量增长到无穷大。在完全图的情况下，如果连接强度低于某个临界值，则检测是不准确的，而如果连接强度高于该临界值，则检测是渐近准确的，这类似于统计物理中的相变现象。
2016-11-15 cs.SI
Latent Sentiment Detection in Online Social Networks: A Communications-oriented View
在本文中，我们考虑的问题，潜在的情感检测在线社交网络，如Twitter。我们展示了使用底层社交网络作为伊辛之前执行网络辅助情感检测的好处。我们表明，使用的底层网络的结果在大大降低检测出错率相比，严格的基于特征的检测。在这样做时，我们引入了一个新的通信为导向的框架，描述错误的概率，基于信息理论分析。我们研究了几个程式化的网络拓扑结构，如完整的网络，星形网络和闭链网络的计算误差指数的变化，并显示在确定检测性能的网络结构的重要性。
2014-01-09 cs.SI
Community Detection Across Multiple Social Networks based on Overlapping Users
随着互联网技术的飞速发展，在线社交网络（OSNs）得到了快速发展，并日益流行。同时，跨多个社交网络的研究也越来越受到研究者的关注，而社区发现是跨OSN的网络安全问题的重要研究内容，主要用于分析用户行为和发现异常社区。提出了一种基于用户重叠的多社交网络社区发现方法。首先定义了重叠用户的概念，然后设计了一种基于社会相关性的重叠用户存根社区发现算法CMN NMF。在此基础上，通过添加具有较强相似性的用户，扩展不同社交网络中的存根社区，最终挖掘出不同的社区。在真实数据集上的实验结果表明了该方法的有效性。
2019-10-08 cs.SI
Social Bots: Detection and Challenges
本章聚焦恶意社交机器人，探讨其在社交媒体中的影响、检测方法面临的挑战，并以Botometer为例介绍最新进展，最后提供研究中的实用处理指南。
2023-12-29 cs.SI
Combinations of Affinity Functions for Different Community Detection Algorithms in Social Networks
社会网络分析是社会科学和行为科学中的一门流行学科，其中不同社会实体之间的关系被建模为网络。在社会网络分析中，最常见的问题之一是在网络结构中发现社区。通常，社交网络中的社区是图的功能子分区。然而，由于社区的定义有些不精确，已经提出了许多算法来解决这个任务，每一个都专注于不同的社会特征的演员和社区。在这项工作中，我们建议使用新的亲和度函数的组合，旨在捕捉网络交互中不同的社会机制。我们使用它们来扩展已经存在的社区发现算法，以结合亲和力函数的能力来模拟不同的社会互动比那些利用原始算法。
2022-08-26 cs.SI
Social Media Bot Detection Research: Review of Literature
本文综述社交媒体机器人检测研究，基于534篇文献筛选出49篇，总结检测方法、问题及趋势，揭示机器人对信任的侵蚀。
2025-03-28 cs.SI
Unsupervised Social Bot Detection via Structural Information Theory
本文提出基于结构信息理论的无监督可解释社交机器人检测框架UnDBot，通过构建社交多关系图、优化异构结构熵和社区标注方法，在真实数据集上取得优于代表性方法的检测效果。
2024-04-21 cs.SI
Enhancing Rumor Detection in Social Media Using Dynamic Propagation Structures
Facebook和Twitter等社交媒体已成为最重要的信息传播渠道之一。然而，这些社交媒体平台经常被滥用来传播谣言，这带来了严重的社会问题，因此，迫切需要自动谣言检测技术。现有的谣言检测工作更多地集中在文本特征的利用上，而扩散结构本身可以为谣言的识别提供关键的传播信息。以前的作品，考虑了结构信息，只利用有限的传播结构。此外，很少有相关的研究已经考虑了扩散结构的动态演化。为了解决这些问题，在本文中，我们提出了一种使用动态传播结构的神经模型（NM-DPS）用于社交媒体中的谣言检测。首先，我们提出了一个分区的方法来模拟传播结构的动态演变，然后使用基于时间注意力的神经模型来学习的动态结构的表示。最后，我们融合的结构表示和内容特征到一个统一的框架，有效的谣言检测。两个真实世界的社交媒体数据集上的实验结果表明，动态传播结构信息的显着性和我们所提出的方法在捕捉动态结构的有效性。
2020-08-27 cs.SI
SocialPET: Socially Informed Pattern Exploiting Training for Few-Shot Stance Detection in Social Media
Queen Mary University of London（伦敦玛丽女王大学）
针对社交媒体少样本立场检测标注数据不足的问题，提出融合社交网络结构的SocialPET方法，基于PET技术将任务转为完形填空，在仅100个标注样本时优于多个基线模型，且在反对类识别上表现突出。
2024-03-08 cs.CL cs.SI
Stance Detection on Social Media: State of the Art and Trends
The University of Edinburgh（爱丁堡大学）
社交媒体上的立场检测是用于各种社交和政治应用的新兴观点挖掘范例，其中情感分析可能是次优的。对于开发在包括自然语言处理、网络科学和社会计算的多个社区中变化的用于姿态检测方法的有效方法的研究兴趣一直在增长。本文调查了这些社区内的立场检测工作，并将其使用定位在社交媒体中当前的意见挖掘技术。它对社交媒体上的姿态检测技术进行了详尽的回顾，包括任务定义，姿态检测中的不同类型的目标，使用的特征集以及应用的各种机器学习方法。该调查报告了现有基准数据集在姿态检测方面的最新结果，并讨论了最有效的方法。此外，本研究还探讨了社交媒体上立场检测的新兴趋势和不同应用。该研究的结论是讨论了目前现有研究的差距，并强调了社交媒体上立场检测的未来可能方向。
2021-04-15 cs.CL cs.SI
Social Media Identity Deception Detection: A Survey
社交媒体正在迅速发展，并成为许多人生活中必不可少的元素。与此同时，社交媒体也成为身份欺诈的一个流行来源。在过去的几年里，出现了许多社交媒体身份欺诈案件。最近的研究已经进行，以防止和检测身份欺骗。本调查分析了各种身份欺骗攻击，这些攻击可以分为伪造个人资料，身份盗窃和身份克隆。这项调查提供了社交媒体身份欺骗检测技术的详细审查。它还确定了现有检测技术中的主要研究挑战和问题。这篇文章预计将有利于研究人员和社交媒体提供商。
2021-04-22 cs.CR cs.SI
Reaching Consensus Among Mobile Agents: A Distributed Protocol for the Detection of Social Situations
身体上的社会接触受一套社会心理行为规则的支配，这些规则具有高度统一的有效性。过去的研究表明，这些规则或由此产生的相遇属性（例如互动的几何形状）可以用于社交互动的算法检测。在本文中，我们提出了一个分布式协议，以获得一个共同的理解，现有的社会情况之间的代理。我们的方法允许一组代理结合他们的主观评估正在进行的社会情况。基于从原始数据信号中获得的感知社交线索，他们就社交情境的存在、参数和参与者达成共识。我们评估我们的协议使用两个现实世界的数据集与社会互动信息和额外的合成数据生成的社会感知移动模型。
2014-09-29 cs.MA cs.SI
Social network aided plagiarism detection: Social network aided plagiarism detection
各种电子设备的流行和网络上的内容数量增加了剽窃的数量，这被认为是一种不道德的行为。如果我们想有效地发现和预防这些行为，我们必须改进今天发现剽窃的方法。本文提出了一个研究，提出了一个框架，改进检测剽窃。该框架的重点是整合社会网络信息，从网络上的信息，以及先进的语义丰富的可视化信息的作者和文件，使探索所获得的数据，寻求先进的模式剽窃。为了支持拟议的框架，还开发了一个专门的软件工具。统计评估证实，社会网络分析和先进的可视化技术的就业导致在剽窃检测过程中的确认和调查阶段的改进，从而提高剽窃检测过程的整体效率。
2018-07-08 cs.CY cs.DL cs.SI
An event detection technique using social media data
人们在社交媒体平台（如Twitter，Facebook，PInterest和Google+）上发布有关其活跃词汇中不同主题的信息。他们互相关注，更有可能的是，发布有关当前事件信息的人会得到更好的回应。对社交媒体平台上的大量数据进行手动分析是困难的。这为自动分析用户贡献的社交媒体文档开辟了新的研究方向。由于用户共享的大量信息，自动社交媒体数据分析是困难的。许多研究人员使用Twitter数据进行社交媒体分析（SMA），因为Twitter数据可以在公共领域免费获得。这是最重要的研究工作之一。来自社交媒体数据的事件检测用于不同的应用，如交通拥堵检测，灾难和紧急管理以及实时新闻检测。在twitter平台上分享的信息本质上是短文本的、嘈杂的、模糊的。因此，事件检测和事件短语从用户生成的和畸形的数据的提取变得具有挑战性。为了应对这些挑战，使用不同的认知属性以关键词的形式从流媒体社交媒体数据中提取事件。这项研究工作背后的动机是提供实质性的改进，在词汇变化的事件短语，同时检测事件和子事件从twitter数据。在这项研究工作中，对社会媒体数据的事件检测的方法分为三个阶段，即：识别子图微博词共现网络（WCN），提供了重要的关键词信息;识别多个事件从社会媒体数据;和排名事件短语的上下文信息。
2022-08-27 cs.IR cs.SI
MSM-BD: Multimodal Social Media Bot Detection Using Heterogeneous Information
George Mason University（乔治梅森大学）；Dartmouth College（达特茅斯学院）；New York University（纽约大学）
本文提出MSM-BD方法，通过异构信息融合技术提升社交媒体机器人检测精度，利用TwiBot-22数据集验证了模型有效性。
2026-03-19 cs.MM cs.SI
Fake News Detection on Social Media: A Data Mining Perspective
Arizona State University（亚利桑那州立大学）；Charles River Analytics（查尔斯河分析公司）；Michigan State University（密歇根州立大学）
社交媒体对新闻消费来说是一把双刃剑。一方面，它的低成本，容易获取和快速传播的信息导致人们从社交媒体中寻找和消费新闻。另一方面，它使“假新闻”得以广泛传播，即，低质量新闻，故意虚假信息。假新闻的广泛传播有可能对个人和社会产生极其负面的影响。因此，社交媒体上的假新闻检测最近成为一项新兴的研究，引起了极大的关注。社交媒体上的假新闻检测呈现出独特的特征和挑战，使得传统新闻媒体的现有检测算法无效或不适用。首先，假新闻是故意编写的，以误导读者相信虚假信息，这使得基于新闻内容的检测变得困难和重要;因此，我们需要包括辅助信息，例如社交媒体上的用户社交活动，以帮助做出决定。其次，利用这些辅助信息本身就具有挑战性，因为用户与假新闻的社交活动会产生大量、不完整、非结构化和嘈杂的数据。由于社交媒体上的假新闻检测问题既具有挑战性又具有相关性，我们进行了这项调查，以进一步促进对该问题的研究。本文对社交媒体上的假新闻检测进行了全面的综述，包括心理学和社会学理论对假新闻的刻画、数据采掘视角下的现有算法、评价指标和代表性数据集。我们还讨论了社交媒体上虚假新闻检测的相关研究领域，开放问题和未来的研究方向。
2017-09-03 cs.AI cs.SI
Making the Most of Tweet-Inherent Features for Social Spam Detection on Twitter
社交垃圾邮件在Twitter等社交媒体服务上产生大量噪声，这降低了最终用户和数据采掘应用程序观察到的信噪比。现有的社交垃圾邮件检测技术主要集中在通过使用大量的历史和基于网络的数据来识别垃圾邮件帐户。在本文中，我们专注于垃圾推文的检测，优化的数据量，需要收集只依赖于推文固有的功能。这使得能够以及时的方式将垃圾邮件检测系统应用于大量推文，潜在地可应用于实时或近实时设置。使用两个大的手标记的数据集的推文包含垃圾邮件，我们研究了五个分类算法和四个不同的功能集的社会垃圾邮件检测任务的适用性。我们的研究结果表明，通过使用有限的一组功能，在一条推文中，我们可以实现令人鼓舞的结果相比，现有的垃圾邮件发送者检测系统，利用额外的，昂贵的用户功能是有竞争力的。我们的研究是第一次尝试概括不同数据集上的最佳分类器和社交垃圾邮件检测功能集的结论。
2015-03-25 cs.IR cs.SI
False News Detection on Social Media
社交媒体已成为人们消费和分享新闻的主要信息平台。然而，它也使虚假新闻得以广泛传播，在社交媒体上发布的新闻帖子经核实是虚假的，对社会造成重大负面影响。为了帮助防止虚假新闻在社交媒体上的进一步传播，我们设立了这项比赛，以促进自动化实时虚假新闻检测方法的发展。具体而言，本次比赛包括虚假新闻文本检测、虚假新闻图像检测和虚假新闻多模态检测三个子任务，旨在激励参赛者进一步探索多模态检测虚假新闻的效率以及多模态内容的合理融合方法。为了更好地支持本次比赛，我们还构建并公开了一个关于微博社交平台虚假新闻的多模态数据库（MCG-FNeWS），以帮助评估参与者不同方法的性能。
2019-08-28 cs.MM cs.SI
A Survey on Social Media Anomaly Detection
USC（南加州大学）；Google（谷歌）；IBM Research（IBM研究院）
社交媒体异常检测对于防止欺凌、恐怖袭击策划和欺诈信息传播等恶意活动至关重要。随着社交媒体的普及，新的异常行为出现，引起了各方的关注。虽然大量的工作一直致力于传统的异常检测问题，我们观察到的研究兴趣激增，在新的领域的社会媒体异常检测。在本文中，我们提出了一个调查现有的方法来解决这个问题。我们关注社交媒体中的新型异常现象，并回顾最近开发的检测这些特殊类型异常的技术。我们提供了一个问题域的一般概述，常见的配方，现有的方法和潜在的方向。通过这项工作，我们希望引起研究界对这个具有挑战性的问题的关注，并开辟我们未来可以贡献的新方向。
2016-02-17 cs.LG cs.SI
SocialED: A Python Library for Social Event Detection
Beihang University（北京航空航天大学）；Beijing Institute of Technology（北京理工大学）；Kunming University of Science and Technology（昆明理工大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
SocialED是一个开源Python库，集成了19种算法和14个数据集，提供统一API与模块化设计，为社交媒体事件检测提供高效、可扩展的完整解决方案。
2024-12-18 cs.DL cs.LG cs.SI
Heterogeneous Social Event Detection via Hyperbolic Graph Representations
School of Computing, Macquarie University（麦考瑞大学计算学院）；IBM T. J. Watson Research Center（IBM T. J. 沃森研究中心）
针对社交媒体异构性和标签稀缺问题，提出基于双曲图表示的社会事件检测方法HSED及其无监督版本UHSED，通过统一社会消息图和图对比学习捕获结构信息，实验证明其优越性。
2023-02-20 cs.LG cs.SI
Bot-Match: Social Bot Detection with Recursive Nearest Neighbors Search
Carnegie Mellon University（卡内基梅隆大学）
社交机器人在过去十年中出现，最初造成了滋扰，而最近被用来恐吓记者，影响选举活动，并加剧现有的社会分歧。这种社会威胁催生了一场机器人检测算法竞赛，其中检测算法不断发展，试图跟上日益复杂的机器人账户。这种猫和老鼠的循环揭示了监督式机器学习算法的局限性，研究人员试图利用昨天的数据来预测明天的机器人。这一差距意味着研究人员、记者和分析师每天都要识别出最先进的监督机器人检测算法无法检测到的恶意机器人账户。这些分析师通常希望在不标记/训练新模型的情况下找到相似的机器人帐户，其中相似性可以由内容，网络位置或两者来定义。基于相似性的算法可以补充现有的监督和无监督方法，并填补这一空白。为此，我们提出了机器人匹配方法，在该方法中，我们评估了社交媒体嵌入，使半监督递归最近邻搜索能够映射一个或多个种子帐户的新兴社会网络安全威胁。
2020-07-15 cs.LG cs.SI
Noise in Naming Games, partial synchronization and community detection in social networks
网络博弈（NG）是一种基于代理的模型，用于研究社交网络中的协议动态、节点压力和羊群行为以及自治自组织传感器网络中的协议选择。通过在NG中引入一个小的噪声项，得到的马尔可夫链模型称为噪声博弈（NNG）是遍历的，其中所有部分一致状态都是递归的。通过使用吉布斯-马尔可夫等价，我们展示了如何得到NNG的平稳分布的相关马尔可夫随机场（MRF）的局部规格。通过根据其吉布斯能量对部分同步状态进行排序，在这里被认为是社会紧张度的一个很好的度量，该方法为社会交互数据中的社区检测提供了一种增强的方法。我们展示了如何最低吉布斯能量多名国家分离和显示隐藏的社会网络内的社区结构。
2010-08-24 cs.MA cs.SI
GLAD: Group Anomaly Detection in Social Media Analysis- Extended Abstract
University of Southern California（南加州大学）
传统的社交媒体异常检测多集中在单个点的异常上，而异常现象通常发生在群体中。因此，研究个体的集体行为和发现群体异常是有价值的。现有的群体异常检测方法依赖于群体已知的假设，这在现实世界的社交媒体应用中几乎是不可能的。在本文中，我们采取了生成的方法，提出了一个分层贝叶斯模型：组潜在异常检测（GLAD）模型。GLAD以成对和逐点数据作为输入，自动推断组并同时检测组异常。为了考虑社交媒体数据的动态特性，我们进一步将GLAD推广到其动态扩展d-GLAD。我们进行了广泛的实验，以评估我们的模型在合成和现实世界的数据集。实验结果表明，我们的方法是有效的和强大的发现潜在群体和检测群体异常。
2014-10-07 cs.LG cs.SI
Natural Disasters Detection in Social Media and Satellite imagery: a survey
自然灾害相关多媒体内容的分析近年来得到了极大的关注。作为最重要的信息来源之一，社交媒体多年来一直在收集和分析与灾害相关的多媒体内容。还广泛探讨了卫星图像用于灾害分析的问题。在本文中，我们调查了现有的文献灾害检测和分析从社会媒体和卫星检索的信息。关于灾害检测和相关多媒体内容分析的文献，根据内容的性质可分为三类，即：（一）文本中的灾害检测;（二）社交媒体中与灾害有关的视觉内容分析;（三）卫星图像中的灾害检测。我们广泛地审查在这三个领域提出的不同方法。此外，我们还审查了可用于评估灾害检测框架的基准数据集。此外，我们提供了一个详细的讨论从文献综述中获得的见解，并确定未来的趋势和挑战，这将提供一个重要的起点，在该领域的研究人员。
2019-01-14 cs.IR cs.SI
Anomalous Edge Detection in Edge Exchangeable Social Network Models
针对有向社交网络图的异常边检测问题，本文利用边可交换性区分异常与正常边，并提出带假阳性率上界保证的保形预测检测器，实验表明其性能优于基线方法。
2023-08-21 cs.SI stat.ML
MulBot: Unsupervised Bot Detection Based on Multivariate Time Series
Institute for Informatics and Telematics, National Research Council (IIT-CNR)（国家研究委员会信息与电信研究所（IIT-CNR））；University of Pisa（比萨大学）；Aristotle University of Thessaloniki（亚里士多德大学）
在线社交网络积极参与删除恶意社交机器人，因为它们在传播低质量信息方面发挥了作用。然而，大多数现有的机器人检测器是监督分类器，无法捕捉复杂机器人的演变行为。在这里，我们提出了MulBot，一个基于多变量时间序列（MTS）的无监督机器人检测器。这是第一次，我们利用从用户时间轴提取的多维时间特征。我们使用LSTM自动编码器管理多维性，该编码器将MTS投影到合适的潜在空间中。然后，我们对这个编码表示执行聚类步骤，以识别非常相似的用户的密集组-这是自动化的一个已知标志。最后，我们执行一个二进制分类任务，实现f1分数$= 0.99$，优于最先进的方法（f1分数$\le 0.97$）。MulBot不仅在二进制分类任务中取得了优异的成绩，而且我们还在一个新的和实际相关的任务中展示了它的优势：检测和分离不同的僵尸网络。在这个多类分类任务中，我们实现了f1-score $= 0.96$。最后，我们估计模型中使用的不同特征的重要性，并评估MulBot推广到新的看不见的机器人的能力，从而提出了一个解决监督机器人检测器的推广缺陷的方法。
2022-09-21 cs.AI cs.LG cs.SI
Online Social Network Data-Driven Early Detection on Short-Form Video Addiction
National Tsing Hua University（国立清华大学）
本研究针对短视频成瘾（SFVA）检测滞后问题，构建了基于社交网络行为的数据集，并提出首个早期检测框架EarlySD，利用大型语言模型解决数据稀疏与缺失问题，结合多模态行为数据与异构社交网络结构实现有效检测。
2024-07-24 cs.CY cs.LG cs.SI
DANES: Deep Neural Network Ensemble Architecture for Social and Textual Context-aware Fake News Detection
University Politehnica of Bucharest（布加勒斯特理工大学）；Aarhus University（奥胡斯大学）
社交媒体平台的日益普及简化了新闻文章的创作和发布，但也为传播假新闻创造了渠道。因此，需要有效的上下文感知假新闻检测机制，其中上下文信息可以从帖子的文本内容或从可用的社交数据（例如，关于用户的信息、对帖子的反应或社交网络）。在本文中，我们提出了DANES，一种用于社会和文本上下文感知的假新闻检测的深度神经网络嵌入式架构。DANES包括用于基于文本内容的上下文的文本分支和用于社会上下文的社会分支。这两个分支被用来创建一个新颖的网络嵌入。3个真实世界数据集的初步消融结果，即，BuzzFace、Twitter15和Twitter16是有前途的，在使用社交和文本内容功能时，其准确性优于最先进的解决方案。
2023-02-01 cs.AI cs.CL cs.NE
Rumor Detection on Social Media: Datasets, Methods and Opportunities
Alibaba Group（阿里巴巴集团）
社交媒体平台已被用于信息和新闻收集，它们在许多应用中非常有价值。然而，这也导致了谣言和假新闻的传播。已经采取了许多努力来通过使用机器学习技术分析社交媒体上的谣言的内容和社交背景来检测和揭穿谣言。本文综述了谣言检测领域的最新研究进展。它提供了一个用于谣言检测的数据集的全面列表，并根据他们利用的信息类型和他们采取的方法回顾了重要的研究。更重要的是，我们还为未来的研究提出了几个新的方向。
2019-11-17 cs.CL cs.CY cs.IR
Gender Detection on Social Networks using Ensemble Deep Learning
University of Virginia（弗吉尼亚大学）；University of California, Los Angeles (UCLA)（加利福尼亚大学洛杉矶分校）
分析Facebook和Twitter等社交媒体网站上不断增加的帖子数量，需要改进信息处理方法，以分析作者身份。文档分类是这项任务的核心，但随着社交媒体数量的增加，传统监督分类器的性能已经下降。本文通过集成分类在性别检测的背景下解决了这个问题，集成分类采用多模型深度学习架构，从不同的特征空间生成专门的理解。
2020-09-09 cs.AI cs.CL cs.LG
Direct Comparative Analysis of Nature-inspired Optimization Algorithms on Community Detection Problem in Social Networks
National Institute of Technology, Silchar（锡尔查尔国家理工学院）；Université Paris-Saclay（巴黎萨克雷大学）；INRAE（法国国家农业、食品与环境研究院）
自然启发优化算法（NIOAs）是当今社交网络中社区发现的流行选择。社会网络中的社区发现问题被视为优化问题，其目标是最大化社区内的连接或最小化社区之间的连接。为了应用NIOA，对这两个目标中的一个或两个目标都进行了探讨。由于NIOA在其策略中主要利用随机性，因此有必要针对特定应用分析其性能。针对社区发现问题，分析了NIOA算法。遵循直接比较方法来执行NIOA的成对比较。根据prasatul矩阵和平均隔离度设计的五个分数来衡量性能。三个广泛使用的现实世界的社交网络和四个NIOA被认为是分析NIOA所产生的社区的质量。
2022-12-21 cs.CV cs.NA cs.NE
