Analyzing Activity and Suspension Patterns of Twitter Bots Attacking Turkish Twitter Trends by a Longitudinal Dataset
本文检测并公开了超过21.2万个攻击土耳其推特趋势的astrobots,分析其活动与封禁模式,揭示平台6次大规模清除后对手快速部署旧账号新机器人的对抗过程,并指出这类机器人因只发虚假趋势推文而难以被检测。
2023-04-18 cs.SI
SATAR: A Self-supervised Approach to Twitter Account Representation Learning and its Application in Bot Detection
自2006年推出以来,Twitter已成为一个主要的社交媒体平台,而最近对机器人账户的投诉也有所增加。虽然已经进行了广泛的研究工作,最先进的机器人检测方法缺乏通用性和适应性。具体来说,以前的机器人检测器只利用了一小部分用户信息,并且通常在只覆盖少数类型机器人的数据集上进行训练。因此,他们无法推广到Twitter上不同类型机器人共存的真实场景。此外,Twitter中的机器人不断发展以逃避检测。以前的努力,虽然有效的一次在他们的背景下,未能适应新一代的Twitter机器人。为了解决Twitter机器人检测的两个挑战,我们提出了SATAR,Twitter用户的自我监督表示学习框架,并将其应用于机器人检测任务。特别地,SATAR通过联合利用特定用户的语义、属性和邻域信息来进行概括。与此同时,SATAR通过对大量自我监督用户进行预训练并对详细的机器人检测场景进行微调来适应。大量的实验表明,SATAR在不同信息完整性和收集时间的不同机器人检测数据集上优于竞争基线。SATAR也被证明可以在现实世界中推广,并适应不断发展的社交媒体机器人。
2021-08-27 cs.SI
BotRGCN: Twitter Bot Detection with Relational Graph Convolutional Networks
Twitter bot检测是一项重要且具有挑战性的任务。现有的机器人检测措施无法解决社区和伪装的挑战,无法检测伪装成真正用户并集体攻击的机器人。为了解决Twitter bot检测的这两个挑战,我们提出了BotRGCN,这是Bot检测与关系图卷积网络的缩写。BotRGCN通过从跟随关系构建异构图来解决社区的挑战,并应用关系图卷积网络。除此之外,BotRGCN利用多模态用户语义和属性信息来避免特征工程,并增强其捕获具有多样化伪装的机器人的能力。大量的实验表明,BotRGCN优于竞争对手的基线上的全面基准TwiBot-20提供了以下关系。
2021-09-27 cs.SI
Heterogeneity-aware Twitter Bot Detection with Relational Graph Transformers
Twitter机器人检测已经成为一项重要而具有挑战性的任务,以打击错误信息,保护在线话语的完整性。最先进的方法通常利用Twittersphere的拓扑结构,而忽略了用户之间关系和影响力的异质性。在本文中,我们提出了一种新的机器人检测框架来缓解这个问题,它利用了用户形成的异构图的拓扑结构和用户之间不同影响强度的模型。具体而言,我们构建了一个异构的信息网络,用户作为节点和各种关系的边缘。然后,我们提出了关系图Transformers来模拟用户之间的异构影响,并学习节点表示。最后,我们使用语义注意力网络来聚合用户和关系之间的消息,并进行异质性感知的Twitter机器人检测。大量的实验表明,我们的建议优于国家的最先进的方法在一个全面的Twitter机器人检测基准。进一步的研究也证明了我们提出的关系图Transformers,语义注意力网络和基于图的方法的有效性。
2021-12-11 cs.SI
BotMoE: Twitter Bot Detection with Community-Aware Mixtures of Modal-Specific Experts
本文提出 BotMoE 框架,融合元数据、文本和网络结构,并通过社区感知 MoE 与专家融合提升对高级、隐蔽 Twitter 机器人的检测及跨社区泛化能力。
2023-04-25 cs.SI
Mining Influentials and their Bot Activities on Twitter Campaigns
Twitter越来越多地用于政治、广告和营销活动,其主要目的是影响用户支持特定的事业、个人或团体。我们提出了一种新的挖掘和分析Twitter活动的方法,包括:(i)收集推文和检测与活动相关的主题;(ii)使用科学计量学方法挖掘重要的活动主题;(iii)使用主题标签和主题熵建模用户兴趣;(iv)使用自适应的PageRank得分识别有影响力的用户;以及(v)用于识别类机器人活动的各种度量和可视化技术。虽然这种方法可推广到多种竞选类型,但我们在2017年德国联邦选举中证明了其有效性。
2020-11-22 cs.SI
Enhancing keyword correlation for event detection in social networks using SVD and k-means: Twitter case study
Data to Decisions Cooperative Research Centre(数据决策合作研究中心)
从推文中提取文本特征是一个具有挑战性的过程,因为内容的噪声性质和大多数单词的微弱信号。在本文中,我们提出使用奇异值分解(SVD)与聚类,以增强在推文的文本特征的信号,以提高与事件的相关性。所提出的技术将SVD应用于每个特征的时间序列向量,以分解特征/天数计数的矩阵,以确保特征向量的独立性。然后,应用k-means聚类来构建一个查找表,该查找表将每个聚类的成员映射到聚类质心。利用查找表将原始数据中的每个特征映射到其聚类的质心,然后计算每个聚类中所有特征的词频向量之和到聚类质心的词频向量。为了测试该技术,我们计算了聚类中心与黄金标准记录(GSR)矢量的相关性之前和之后的聚类成员的矢量的质心矢量。该方法适用于多重相关技术,包括皮尔逊,斯皮尔曼,距离相关和肯德尔道。实验还考虑了不同的词形式和长度的特征,包括关键字,n-gram,skip-gram和bags-of-words。随着最高相关性分数从0.3增加到0.6,并且平均相关性分数从0.3增加到0.4,相关性结果显著增强。
2018-07-25 cs.CL cs.LG cs.SI
Effects of Social Bots in the Iran-Debate on Twitter
2018年始于伊朗的大规模抗议活动,带回了所谓的“阿拉伯之春”的印象,以及它对马格里布国家,叙利亚和埃及的革命性影响。许多报告和科学检查认为Twitter或Facebook等在线社交网络(OSN)在这些抗议活动背后的人们的舆论中发挥着关键作用。除此之外,还有证据表明,在社交机器人和虚假账户的帮助下,舆论受到了直接操纵。因此,很明显要问的是,是否有人试图通过使用社交机器人来操纵与OSN中的伊朗抗议活动有关的舆论形成过程,以及这种操纵将如何影响整个话语。基于CA的样本。900,000推文有关的主题“伊朗”我们显示,有Twitter的个人资料,必须被视为社交机器人帐户.通过使用文本挖掘方法,我们证明了这些社交机器人对辩论中的负面情绪负责。因此,我们想说明社交机器人对Twitter上政治讨论的可检测影响。
2018-05-25 cs.SI
HOFA: Twitter Bot Detection with Homophily-Oriented Augmentation and Frequency Adaptive Attention
针对推特机器人利用异质性伪装逃避检测的问题,提出HOFA框架,通过同质性导向图增强和频率自适应注意力模块,在三个基准上取得最先进性能。
2023-06-22 cs.SI
An in-depth characterisation of Bots and Humans on Twitter
最近的研究表明,在线社交网络(OSN)中存在大量活跃的机器人。在本文中,我们利用我们过去的研究机器人(Stweeler)的工作,比较分析的使用和影响的机器人和人类在Twitter上,世界上最大的OSN之一。我们收集了一个大规模的Twitter数据集,并根据推文元数据定义了各种指标。我们根据追随者的数量将数据集划分和过滤为四个流行组。使用人工注释任务,我们为数据集分配“机器人”和“人类”地面实况标签,并将注释与在线机器人检测工具进行比较以进行评估。然后,我们提出了一系列问题,以使用四个受欢迎群体内部和之间的指标来识别重要的行为机器人和人类特征。从比较分析中,我们得出了两个实体之间的重要差异以及惊人的相似之处,从而为自动政治渗透,广告活动和一般机器人检测的可靠分类铺平了道路。
2017-04-05 cs.SI
Discovery of the Twitter Bursty Botnet
许多Twitter用户都是机器人。它们可用于垃圾邮件、操纵舆论和在线欺诈。最近,我们发现了星球大战僵尸网络,由超过35万个机器人组成,它们在推特上随机引用星球大战小说中的内容。这些机器人之所以被曝光,是因为它们在覆盖欧洲和美国的两个矩形地理区域内的任何位置均匀地发推文,包括区域内的海洋和沙漠地区。在本文中,我们报告了星球大战机器人的另一个不寻常的行为,即机器人是成批或批量创建的,它们只在创建后的前几分钟内发推文。受此观察的启发,我们发现了一个更大的Twitter僵尸网络,拥有超过50万个僵尸程序的Bursty僵尸网络。我们的初步研究表明,Bursty僵尸网络直接导致了2012年的大规模在线垃圾邮件攻击。大多数机器人检测算法都是基于所有机器人共享的“共同”特征的假设。然而,我们发现的僵尸网络并没有显示出许多这些特征;相反,它们是通过它们独特的、不寻常的推特行为检测到的,这些行为直到现在还不为人知。
2017-10-09 cs.SI
Analyzing time series activity of Twitter political spambots
近年来,政治Twitter机器人的存在和复杂性有所增加,这使得从真实的人类用户中识别这些帐户变得非常困难。我们打算回答以下问题:在虚假账户和真实账户中,活动的时间模式是否有质的不同?我们在2020年美国选举后冲突期间收集了大量推文样本,并进行了监督和非监督统计学习技术,以量化时间序列特征对人类机器人识别的预测能力。我们的研究结果表明,没有实质性的差异,这表明政治机器人现在非常能够模仿人类行为。这一发现揭示了对新的、更复杂的僵尸检测技术的需求。
2021-05-26 cs.SI
Flocking to Mastodon: Tracking the Great Twitter Migration
埃隆·马斯克(Elon Musk)收购Twitter引发了Twitter用户的争议和不确定性。这一举动引起了很多人的关注,特别是关于马斯克对言论自由的看法。因此,大量Twitter用户开始寻找Twitter的替代品。Mastodon是一个去中心化的微博社交网络,吸引了许多用户和普通媒体的关注。在本文中,我们跟踪和分析了136,009名用户从Twitter迁移到Mastodon。我们的分析揭示了去中心化生态系统中用户驱动的集中化压力,并确定了社交网络在平台迁移中的强大影响力。我们还描述了Twitter和Mastodon上迁移用户的活动。
2023-02-28 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
Discovery and classification of Twitter bots
本文基于希腊语 Twitter 用户 36 个月的密集爬取数据,通过检测并发内容注入事件发现并分类了 1,850 个受同一软件控制的机器人账户,揭示了 botnet 的行为模式、演化过程及其与用户社区和热门话题的互动差异。
2020-10-29 cs.SI
Down the bot hole: actionable insights from a 1-year analysis of bots activity on Twitter
如今,社交媒体代表了说服工具,这些工具已逐渐被武器化,以影响人们的信仰,传播操纵性的叙述,并沿着不同的派别播下冲突。软件控制的账户(即,机器人)是与操纵运动相关的主要参与者之一,特别是在政治背景下。揭示机器人活动背后的策略对于检测和遏制此类活动至关重要。在本文中,我们对2018年美国中期选举前Twitter上的机器人活动进行了长期(一年)分析。我们根据账户的性质(机器人与人类)和在线讨论中的参与程度确定了不同类别的账户,我们观察到,过度活跃的机器人在传播阴谋叙事方面发挥了关键作用,同时自选举前一年以来一直主导着政治辩论。在即将到来的美国2020年总统大选的背景下,我们的分析揭示了人类对机器人易感性的惊人发现,以及有助于遏制协调运动的可操作见解。
2020-10-29 cs.SI
Deploying South African Social Honeypots on Twitter
受到简单而有效的推特胡言乱语吸引自动化社交代理(机器人)的方法的启发,我们试图在南非的政治背景下创建本地化的蜜罐。我们产生了一系列定义的技术,并将它们结合起来,从Twitter上的用户产生互动。该文件提供了两个关键贡献。从概念上讲,一个论点是,蜜罐不应该混淆机器人检测方法,而是捕获低质量用户的方法。其次,我们成功地生成了一个288本地低质量的用户在政治背景下活跃的列表。
2018-09-17 cs.SI
The Early Bird Catches The Term: Combining Twitter and News Data For Event Detection and Situational Awareness
Twitter的更新现在代表了来自各种正式和非正式来源的巨大信息流,其中许多与现实世界的事件有关。在本文中,我们适应现有的生物监视算法,以检测本地化的尖峰在Twitter活动对应的真实事件具有较高的置信度。然后,我们开发了一种方法来自动总结这些事件,通过提供充分描述事件的推文和链接到高度相关的新闻文章。我们将我们的方法应用于疾病的爆发和强烈影响情绪的事件。在这两个案例研究中,我们能够检测到可由第三方来源验证的事件,并生成高质量的摘要。
2015-04-09 cs.SI
BOTTER: A framework to analyze social bots in Twitter
社交网络在人们的在线交流方面取得了胜利,但它们也被用来发动操纵社会的影响力行动。部署软件控制的帐户(例如,社交机器人)已被证明是实现这一目的的最有效手段之一,用于检测它们的工具已被开发并广泛采用。然而,分析这些账户和衡量其影响的方法在文献中是异质的,每个案例研究都进行了独特的测量。为了统一这些努力,我们提出了一个通用框架来分析Twitter中社交机器人的干扰。该方法从不同的角度将非真实的参与者与其他用户进行比较,从而建立客观的指标来衡量他们的实际影响。我们通过将其应用于2019年西班牙大选前几周的Twitter迭代数据集来验证该框架。从这个意义上说,我们检查了我们的框架有助于对非真实群体进行定量评估,特别是发现社交机器人改变了网络的自然动态,但没有产生重大影响。我们还认为这种方法是对实验结果进行定性解释的实用工具,特别是在上述选举背景下,半自动账户可能比全自动账户更具威胁性。
2021-07-15 cs.SI
Spotting political social bots in Twitter: A use case of the 2019 Spanish general election
虽然社交媒体已被证明是与其他人互动和大规模快速传播有用信息的非常有用的工具,但其巨大潜力也被恶意利用,以扭曲政治选举和操纵选民。在手头的论文中,我们分析了2019年11月西班牙大选背景下Twitter上社交机器人的存在和行为。在整个研究过程中,我们将相关用户分类为社交机器人或人类,并从定量(即,产生的业务量和现有关系)和定性(即,用户对最重要政党的政治亲和力和情感)观点。结果显示,这些机器人中有不可忽视的数量积极参与了选举,支持五个主要政党中的每一个。
2020-10-12 cs.SI
The role of bot squads in the political propaganda on Twitter
社交媒体如今是信息传播和新闻检查的特权渠道。出乎意料的是,对于大多数用户来说,自动账户,也被称为社交机器人,对新闻传播的贡献越来越大。以Twitter为基准,我们考虑了一个月观察期间针对特定主题(即从北非到意大利的移民流量)交换的流量。我们只测量tweets的重要流量,通过实现一个基于熵的空模型,该模型对用户的活动和tweets的病毒式传播进行了折扣。结果表明,社交机器人在重要内容的交换中发挥着核心作用。事实上,不仅最强大的中心在其追随者中拥有比预期更高的机器人数量,而且其中一组可以被分配到相同的政治倾向,共享一组共同的机器人作为追随者。这种自动化账户的转发活动放大了中心信息在平台上的存在。
2019-05-29 cs.SI
Event Detection in Twitter: A Content and Time-Based Analysis
从在线社交网络中检测事件是一个最近发展的领域,吸引了来自各个学科和领域的研究人员。在这里,我们报告一个时间序列分析预测事件。特别是,我们评估了术语的前n元语法随时间的频率分布,重点关注两个指标:短期和长期的高频n元语法。这两个指标都可以指事件演变的某些方面。为了评估模型在检测事件方面的准确性,我们构建并使用了一个Twitter数据集,其中包含了2015年底在密苏里大学(Mizzou)发生的有据可查的抗议活动中最受欢迎的标签。
2021-10-19 cs.SI
Enhancing Rumor Detection Methods with Propagation Structure Infused Language Model
School of Computer Science and Technology & Beijing Key Lab of Traffic Data Analysis and Mining(计算机科学与技术学院及北京交通数据与挖掘重点实验室)
针对PLMs在谣言检测任务表现不佳的问题,提出持续预训练策略PEP,通过预测帖子间关系注入传播结构信息,并构建大规模语料库训练定制模型SoLM,显著提升了基线模型及少样本场景下的检测准确率。
2025-08-10 cs.CL cs.SI
#DebateNight: The Role and Influence of Socialbots on Twitter During the 1st 2016 U.S. Presidential Debate
人们对“社交机器人”在操纵公众舆论和通过转发党派内容来影响选举结果方面的作用表示严重关切。在这里,我们分析社交机器人在Twitter上的作用和影响,确定它们如何有助于转发扩散。我们收集了2016年第一届美国总统辩论(#DebateNight)期间的大量推文数据集,并从三个角度分析了其150万用户:用户影响力,政治行为(党派和参与)和僵尸。首先,我们定义了一个衡量用户的影响力的基础上,用户的积极贡献信息扩散,即他们的推文和转推。鉴于Twitter不暴露的转发结构-它与原始推文的所有转发-我们模型的潜在扩散结构只使用鸣叫时间和用户功能,我们实现了一个可扩展的新方法来估计所有可能的展开的影响。接下来,我们使用党派标签分析来量化用户的政治极化和参与度。最后,我们使用BotOrNot API来衡量用户的僵尸性(成为机器人的可能性)。我们建立了一个二维的“极化图”,允许对机器人,党派和影响力之间的相互作用进行细致入微的分析。我们发现,社交机器人不仅在Twitter上更活跃-启动更多的转发级联和转发更多-而且它们的影响力是人类的2.5倍,并且更多地参与政治。此外,亲共和党的机器人比亲民主党的机器人更有影响力,也更参与政治。然而,我们警告说,不要笼统地说,设计成人类的软件主宰了政治辩论。我们发现,许多极具影响力的Twitter用户实际上是亲民主党的,而大多数亲共和党的用户是中等影响力的,可能是人类…
2018-05-17 cs.SI
Deflating the Chinese Balloon: Types of Twitter Bots in US-China balloon incident
本文提出识别通用、新闻和桥接三类机器人的方法,分析中美气球事件中Twitter机器人的影响,发现两国均存在这三类机器人且关注话题与信息策略存在差异。
2024-01-10 cs.SI
Characterising different communities of Twitter users: Migrants and natives
今天,许多用户正在积极使用Twitter来表达他们的意见和分享信息。由于数据的可用性,研究人员研究了这些用户的行为和社交网络。国际移徙研究也受益于这一改善移徙统计的社交媒体平台。虽然到目前为止,Twitter上已经研究了各种类型的社交网络,但以前从未研究过移民和本地人的社交网络。本文旨在通过研究Twitter上移民和本地人的特征和行为来填补这一空白。为此,我们对包括配置文件和推文在内的功能进行了一般评估,并对网络进行了广泛的网络分析。我们发现,移民的追随者多于朋友。尽管这两个群体的账户年龄相似,但他们也发了更多的推文。更有趣的是,非自愿性得分显示,用户更倾向于基于国籍而不是居住国进行联系,移民比本地人更是如此。此外,本地人和移民都倾向于与本地人联系。
2021-03-05 cs.SI
Your Actions Tell Where You Are: Uncovering Twitter Users in a Metropolitan Area
Twitter是一个非常受欢迎的社交网络平台。由于隐私问题,大多数Twitter用户不会透露他们的位置。虽然推断个人Twitter用户的位置已经被广泛研究,但在不扫描整个Twitter领域的情况下有效地找到特定地理区域中的大多数用户仍然是缺失的,并且获得这些用户将产生积极和消极的意义。在本文中,我们提出了LocInfer,一种新颖的轻量级系统来解决这个问题。LocInfer探讨了Twitter中的用户通信具有很强的地理局部性这一事实,我们通过大规模数据集验证了这一点。本文以美国四个具有代表性的大都市区为研究对象,LocInfer可以发现平均86.6%的用户,每个区域的准确率为73.2%,只需检查一小部分候选用户。我们还提出了一个对策,高度敏感的用户位置隐私,并通过模拟显示其有效性。
2015-08-03 cs.SI
Bot Development for Social Engineering Attacks on Twitter
开发了一系列使用Twitter平台中的网络钓鱼进行模拟社会工程攻击的机器人,以识别潜在的不安全用户行为。在这项工作中,开发了不同的机器人版本,以收集连续38天针对1,287个Twitter帐户的刺激后的反馈数据。结果是不确定的存在不安全行为的preceptor,但我们得出结论,尽管Twiter的安全这种攻击仍然是可行的。
2020-07-23 cs.CR cs.SI
TwiBot-22: Towards Graph-Based Twitter Bot Detection
University of Washington(华盛顿大学);Tsinghua University(清华大学);University of Virginia(弗吉尼亚大学)
Twitter机器人检测已经成为一项越来越重要的任务,以打击错误信息,促进社交媒体适度,并保持在线话语的完整性。最先进的机器人检测方法通常利用Twitter网络的图形结构,并且在面对传统方法无法检测到的新型Twitter机器人时表现出良好的性能。然而,现有的Twitter机器人检测数据集中很少有基于图的数据集,即使是这些基于图的数据集也存在数据集规模有限、图结构不完整以及注释质量低的问题。事实上,缺乏一个大规模的基于图的Twitter机器人检测基准来解决这些问题,严重阻碍了新的基于图的机器人检测方法的开发和评估。在本文中,我们提出了TwiBot-22,一个全面的基于图形的Twitter机器人检测基准,它提供了迄今为止最大的数据集,在Twitter网络上提供了多样化的实体和关系,并且具有比现有数据集更好的注释质量。此外,我们重新实现了35个具有代表性的Twitter机器人检测基线,并在包括TwiBot-22在内的9个数据集上进行了评估,以促进对模型性能的公平比较和对研究进展的全面理解。为了促进进一步的研究,我们将所有已实现的代码和数据集整合到TwiBot-22评估框架中,研究人员可以在其中持续评估新模型和数据集。TwiBot-22 Twitter bot检测基准和评估框架可在https://twibot22.github.io/上公开获取
2023-02-12 cs.AI cs.SI
Should we agree to disagree about Twitter's bot problem?
机器人被简单地定义为由自动化控制的账户,可以被用作在线操纵的武器,并对平台的健康构成威胁。研究人员已经研究了在线平台来检测,估计和描述机器人帐户。在埃隆·马斯克(Elon Musk)收购Twitter之后,人们对机器人的流行感到担忧。Twitter最近估计,5%的可变现每日活跃用户是机器人账户,这引发了人们对他们方法的质疑。这一估计是基于特定的活跃用户数量,并依赖于Twitter的机器人账户标准。在这项工作中,我们要强调的是,为了做出正确的估计和比较不同的方法,需要回答关键的问题。我们讨论了对机器人可能行为的假设,检测方法和检查的人群如何影响Twitter上机器人百分比的估计。最后,我们强调平台有责任保持警惕,透明和公正地处理可能影响其用户的威胁。
2022-11-05 cs.CY cs.SI
A Behavioural Analysis of Credulous Twitter Users
Gran Sasso Science Institute(格兰萨索科学研究所);IMT School for Advanced Studies Lucca(卢卡高等研究学院);CINI Cybersecurity Lab(CINI网络安全实验室)
本文以 Twitter 为基准,通过详细的特征分析改进了轻信型用户(即关注大量机器人的真实账户)的分类任务,发现简单轻量级特征对检测至关重要,并揭示这类用户更易放大机器人内容,有助于监测虚假信息传播。
2025-11-04 cs.SI
Straddling Two Platforms: From Twitter to Mastodon, an Analysis of the Evolution of an Unfinished Social Media Migration
本研究分析2022年Twitter被收购后用户向Mastodon的迁移,发现迁移由活跃学者等主导但未完成,用户横跨两平台,Mastodon去中心化致社区难复制、社会资本流失,凸显平台差异。
2025-08-25 cs.SI
Broker Bots: Analyzing automated activity during High Impact Events on Twitter
Twitter现在是一个成熟和广泛流行的新闻媒体。无论是普通的玩笑还是对波士顿马拉松爆炸案、2014年2月美国冰暴等高影响力事件的讨论,人们使用Twitter来获取更新。Twitter机器人今天已经变得非常普遍和可接受。Twitter机器人为这些用户提供了一种在Twitter上执行某些任务的方法,这些任务既简单又结构重复。在高影响力事件期间,这些Twitter机器人往往提供时间关键和全面的信息。我们介绍了机器人如何参与讨论,并在高影响力的事件中增强它们。我们确定了2013年高影响事件中的机器人:波士顿爆炸,2014年2月美国冰暴,华盛顿海军基地枪击案,俄克拉荷马州龙卷风和飓风菲林。我们通过手动注释所有此类帐户来识别顶级推特用户中的机器人。然后,我们研究他们的活动,并提出许多重要的见解。我们确定了这些事件期间机器人对信息扩散的影响,以及它们如何倾向于从各种来源向不同用户聚合和代理信息。我们还分析了他们的推文,列出了在高影响事件期间机器人和非机器人(正常或人类帐户)之间的重要区别特征。我们还展示了机器人如何慢慢地从传统的基于API的帖子转向IFTTT,dlvr.it等网络自动化平台。使用标准的机器学习,我们提出了一种方法来在高影响事件期间实时的识别机器人/非机器人。这项研究还通过比较2013年高影响事件的数据与2011年类似事件的数据,研究了机器人场景的变化。最后,我们还深入分析了20…
2014-06-17 cs.SI physics.soc-ph
A Simulated Cyberattack on Twitter: Assessing Partisan Vulnerability to Spear Phishing and Disinformation ahead of the 2018 U.S. Midterm Elections
国家支持的“不良行为者”越来越多地将社交媒体平台武器化,以便在选举期间发动网络攻击和虚假信息活动。社交媒体公司,由于其快速增长和规模,努力防止其平台的武器化。这项研究在2018年美国中期选举之前在Twitter上进行了自动鱼叉式网络钓鱼和虚假信息活动。一个假新闻机器人帐户-@DCNewsReport-被创建并编程为自动向138名Twitter用户发送带有“突发新闻”链接的定制推文,然后被Twitter限制。总体而言,五分之一的用户点击了该链接,这可能导致下载勒索软件或窃取私人信息。然而,这个实验中的链接是非恶意的,并将用户重定向到Google表单调查。在预测用户点击Twitter上链接的可能性时,右翼和左翼党派之间,或者网络用户和移动用户之间没有统计学上的显著差异。调查结果表明,在Twitter上表达政治意愿的美国人,无论他们的政党偏好或他们用来访问该平台的设备如何,都有可能在社交媒体上被鱼叉式网络钓鱼。
2020-10-28 cs.SI
Real-time Detection of Content Polluters in Partially Observable Twitter Networks
内容污染者或出于政治或广告目的劫持对话的机器人是事件预测、选举预测以及在社交媒体数据中区分真实新闻和假新闻的已知问题。识别这种类型的机器人特别具有挑战性,最先进的方法利用大量网络数据作为机器学习模型的特征。这样的数据集通常在流式传输社交媒体数据以用于实时的【形】事件预测的典型应用中不容易获得。在这项工作中,我们开发了一种方法来检测实时的【形】流媒体数据集中的内容污染者。将我们的方法应用于澳大利亚的内乱事件预测问题,我们从个人推文中识别内容污染者,而无需从个人账户收集社交网络或历史数据。我们在数据集中识别了这些机器人的一些特殊特征,并提出了识别这些账户的指标。然后,我们围绕这种类型的机器人检测提出了一些研究问题,包括:Twitter在检测内容污染者方面的表现如何,以及最先进的方法在检测我们数据集中的机器人方面的表现如何。
2018-04-17 cs.SI
A Hybrid Model for Role-related User Classification on Twitter
为了帮助各种研究,我们提出了TWIROLE,这是一种用于Twitter上角色相关用户分类的混合模型,它检测男性相关,女性相关和品牌相关(即,组织或机构)用户。TWIROLE利用来自tweet内容、用户简档和档案图像的特征,然后应用我们的混合模型来识别用户的角色。为了评估它,我们使用了两个现有的关于Twitter用户的大型数据集,并进行了内部和内部比较实验。TWIROLE优于现有的方法,并在几个角色上获得更平衡的结果。我们还确认,用户名和个人资料图像是这项任务的良好指标。我们的研究扩展了以前的工作,不考虑品牌相关的用户,是一个援助,以未来的评估工作相对于调查依赖于自标记的数据集。
2018-11-26 cs.SI
Quantifying Polarization on Twitter: the Kavanaugh Nomination
本文讨论了极化量化,特别是因为它涉及到布雷特卡瓦诺的提名,美国最高法院和他随后的确认自1881年以来的最高保证金。共和党(GOP)和民主党(DNC)参议员以压倒性优势投票。在本文中,我们研究政治两极分化的Twitter用户之间的提名。为此,我们使用半监督和监督分类准确识别了超过12.8万Twitter用户对卡瓦诺提名的立场。接下来,我们根据他们转发的人和他们使用的标签来量化不同群体之间的两极分化。我们修改现有的极化量化措施,使他们更有效率和更有效的。我们还描述了支持和反对提名的用户之间的两极分化。
2020-01-05 cs.SI
Online Human-Bot Interactions: Detection, Estimation, and Characterization
越来越多的证据表明,越来越多的社交媒体内容是由称为社交机器人的自主实体生成的。在这项工作中,我们提出了一个框架来检测Twitter上的此类实体。我们利用了从公共数据和用户元数据中提取的一千多个特征:朋友、推文内容和情感、网络模式和活动时间序列。我们通过使用公开的Twitter机器人数据集对分类框架进行基准测试。这个训练数据通过手动注释的活跃Twitter用户集合来丰富,这些用户包括人类和不同复杂程度的机器人。我们的模型具有很高的准确性和一致性,可以检测不同性质的机器人。我们的估计表明,9%到15%的活跃Twitter帐户是机器人。描述账户之间的联系,我们观察到简单的机器人倾向于与表现出更像人类行为的机器人进行交互。对内容流的分析揭示了机器人与不同目标群体互动所采用的转推和提及策略。使用聚类分析,我们的几个子类的帐户,包括垃圾邮件发送者,自我推销者,并从连接的应用程序发布内容的帐户。
2017-03-27 cs.SI
Identifying Data Noises, User Biases, and System Errors in Geo-tagged Twitter Messages (Tweets)
许多社交媒体研究人员和数据科学家收集了带有地理标签的推文,以进行空间分析或识别特定主题或事件的过滤消息的时空模式。本文提供了一个系统的视图来说明Twitter Streaming API中地理标记推文的特性(数据噪声,用户偏见和系统错误)。首先,我们发现一小部分(1%)活跃的Twitter用户可以创建很大一部分(16%)带有地理标签的推文。其次,有大量(57.3%)的地理标记的推文位于圣地亚哥的Twitter流媒体API的限界框之外。第三,我们可以通过检查“源”元数据字段来检测垃圾邮件、机器人、机器人推文(数据噪声)。在我们的案例研究中,地理标记推文中的数据噪声部分是显著的(在加利福尼亚州圣地亚哥为29.42%,在俄亥俄州哥伦布为53.47%)。最后,大多数带有地理标签的推文不是由Android或iPhone设备中的通用Twitter应用程序创建的,而是由其他平台创建的,如Instagram和Foursquare。我们建议一个多步骤的程序,以消除这些噪音,为未来的研究项目,利用地理标记的推文。
2017-12-06 cs.SI
Bot or Not? Deciphering Time Maps for Tweet Interarrivals
这项探索性研究使用R Statistical软件对时间图进行蒙特卡罗模拟,该时间图根据自上次事件以来的时间以及到下一次事件发生的时间来表征事件,并将其与真实Twitter用户的时间图进行比较。时间图用于探索人类用户、使用TweetDeck和HootSuite等调度服务的人类以及非人类(机器人)用户之间推文到达间隔模式的差异。结果表明,这些类别的用户之间的tweet interarrival模式存在差异,并且时间图可能用于自动检测Twitter上的bot帐户。这可以增强社交媒体智能功能,帮助机器人开发人员构建更多类似人类的Twitter机器人以避免检测,或者两者兼而有之。
2016-05-20 cs.SI
Bots, Elections, and Controversies: Twitter Insights from Brazil's Polarised Elections
本研究分析巴西2018-2023年两次选举期间4.37亿条推文,发现机器人参与度上升并与回复量强相关,识别异常账户创建和共享账号网络,助力检测协调行为。
2023-10-13 cs.SI
Event detection, tracking, and visualization in Twitter: a mention-anomaly-based approach
越来越多的人使用Twitter,使其成为及时信息的宝贵来源。然而,在Twitter中检测事件是一项艰巨的任务,因为报告有趣事件的推文被大量无关主题的推文淹没。现有的方法集中在文本内容的推文,而忽略了Twitter的社会方面。在本文中,我们提出了MABED(即基于提及异常的事件检测),这是一种新的统计方法,它仅依赖于推文,并利用用户在推文中插入的动态链接(即提及)的创建频率来检测重大事件并估计其对人群的影响程度。MABED与文献的不同之处还在于,它动态地估计讨论每个事件的时间段,而不是假设所有事件的预定义固定持续时间。我们在英语和法语Twitter数据上进行的实验表明,基于提及异常的方法可以更准确地检测事件,并在存在嘈杂的Twitter内容的情况下提高鲁棒性。定性地说,我们发现,MABED有助于通过提供清晰的文本描述和精确的时间描述来解释检测到的事件。我们还展示了MABED如何帮助理解用户的兴趣。此外,我们描述了三个可视化设计有利于有效的探索检测到的事件。
2015-05-21 cs.SI
Towards Automatic Bot Detection in Twitter for Health-related Tasks
University of Pennsylvania(宾夕法尼亚大学);Emory University(埃默里大学)
随着越来越多地使用社交媒体数据进行健康相关研究,来自此来源的信息的可信度受到质疑,因为这些帖子可能来自自动账户或“机器人”。虽然已经提出了自动机器人检测方法,但还没有对发布健康相关信息的用户进行评估。在本文中,我们扩展了现有的机器人检测系统,并将其定制为与健康相关的研究。使用Twitter用户的数据集,我们首先表明,该系统,这是专为政治机器人检测,当应用于健康相关的Twitter用户表现不佳。然后,我们结合了额外的功能和统计机器学习分类器,以显着提高机器人检测性能。我们的方法获得的F_1得分为0.7的“机器人”类,代表0.339的改进。我们的方法是可定制的和可推广的机器人检测在其他健康相关的社交媒体队列。
2019-09-29 cs.CL cs.SI
An Ensemble Deep Learning Model for Drug Abuse Detection in Sparse Twitter-Sphere
随着美国毒品滥用问题的加剧,许多主要利用社交媒体数据(例如Twitter上的帖子)来研究药物滥用相关活动的研究使用机器学习作为文本分类和过滤的强大工具。然而,鉴于Twitter用户的话题范围广泛,与药物滥用有关的推文在大多数数据集中都很少见。这种不平衡的数据仍然是构建有效的推文分类器的一个主要问题,对于包括滥用相关俚语的研究来说尤其明显。在这项研究中,我们通过设计一个集成深度学习模型来解决这个问题,该模型利用单词级别和字符级别的特征来对与滥用相关的推文进行分类。在Twitter数据集上报告了实验,在那里我们可以配置两个类(滥用与非滥用)的百分比,以模拟具有不同幅度的数据不平衡。结果表明,我们的集成深度学习模型表现出比传统机器学习模型的集成更好的性能,特别是在严重不平衡的数据集上。
2019-04-03 cs.SI
BotSpot: Deep Learning Classification of Bot Accounts within Twitter
Twitter的开放特性允许程序通过Twitter API自动生成和控制Twitter帐户。这些被称为机器人的帐户可以自动执行诸如推文,重新推文,关注,取消关注或直接向其他帐户发送消息等操作,就像真人一样。他们还可以执行恶意任务,如传播假新闻,垃圾邮件,恶意软件和其他网络犯罪。在本文中,我们介绍了一种新的机器人检测方法,使用深度学习,多层感知器神经网络和机器人账户的九个特征。开发了一个网络爬虫,可以自动从公共Twitter帐户收集数据,并构建测试和训练数据集,其中包含860个人类和机器人帐户的样本。经过初始训练后,多层感知器神经网络的总体准确率达到92%,证明了所提出的方法的性能。
2021-09-08 cs.AI cs.CR cs.SI
A comparative study of Bot Detection techniques methods with an application related to Covid-19 discourse on Twitter
在在线社交网络(OSN)成为我们生活的一部分的时代,机器人检测是一项必不可少的资产。这一任务在危机中变得更加相关,例如新冠肺炎疫情,其中存在社交机器人扩散的初期风险,可能会产生错误信息。为了解决这个问题,它已经比较了不同的方法来自动检测Twitter上使用数据选择社交机器人。用于详细说明机器人检测模型的技术包括利用Twitter帐户的推文元数据或数字指纹等特征。此外,还使用最适合任务范围的机器人检测技术,分析了2019冠状病毒病大流行最初几个月不同时期推文中机器人的存在情况。此外,这项工作还包括对机器人和人类话语方面的分析,例如情感或标签利用率。
2021-02-01 cs.IR cs.SI
Danish National Election 2022 Twitter Data on Likes, Retweets, and Botscores for the Purpose of Exploring Coordinated Inauthenthic Behavior
本文介绍丹麦2022年选举Twitter数据集的聚类分析,探究协调性非真实行为,发现组大小与账户删除及机器人评分无显著相关。
2023-05-15 cs.CY cs.SI
Twitter and the Press: an Ego-Centred Analysis
自我网络已被证明是一个有价值的工具,可以用来理解个人与同龄人建立的关系,无论是在离线还是在线的社交网络中。特别有趣的是与自我和自我网络成员之间的互动相关的认知约束,据此,个体平均无法与超过150人保持有意义的互动。在这项工作中,我们专注于Twitter上的记者的自我网络,我们调查他们是否具有相同的特征,观察其他相关类别的Twitter用户,如政治家和通用用户。我们的发现是,记者通常比普通用户更活跃,与更多的人互动。他们的自我网络结构与社会脑假设的参考模型非常一致,并在一般人类自我网络中观察到。值得注意的是,这种相似性甚至高于政治家和一般用户自我网络的相似性。这可能意味着Twitter比其他社交互动方式更大的认知参与。此外,记者的自我网络比政治家和普通用户的自我网络稳定得多,自我改变的关系往往是信息驱动的。
2018-03-23 cs.SI
Identification of Twitter Bots Based on an Explainable Machine Learning Framework: The US 2020 Elections Case Study
Institute of Computer Science, Foundation for Research and Technology(希腊研究与技术基金会计算机科学研究所);Technical University of Crete(克里特技术大学);University of Crete(克里特大学)
本文提出一种基于 XGBoost 和 SHAP 可解释机器学习框架的 Twitter 机器人识别系统,在美国 2020 年选举背景下实现了优于现有方法的检测准确率。
2021-12-14 cs.LG cs.SI
Twitter for Sparking a Movement, Reddit for Sharing the Moment: #metoo through the Lens of Social Media
社交媒体平台通过增加对社会中高度污名化问题的曝光,正在彻底改变用户的沟通方式。性虐待就是这样一个问题,最近通过将#metoo标签附加到共享帖子上接管了社交媒体。不同背景和种族的人开始分享他们遭受袭击的不幸经历。本文通过对Twitter上#meToo的推文与#meToo subreddit上分享的推文进行比较分析,初步尝试评估公众的反应和情绪。虽然两个平台上的负面和正面帖子的比例几乎相等,但Reddit帖子的重点是家庭和工作场所的性侵犯,而Twitter帖子则是表达同情并鼓励其他人继续#metoo运动。本研究收集的数据和初步分析表明,用户使用各种方式分享他们的经验,交流想法和相互鼓励,社交媒体适合#metoo运动等groundswells。
2018-03-21 cs.SI
LMBot: Distilling Graph Knowledge into Language Model for Graph-less Deployment in Twitter Bot Detection
University of Notre Dame(圣母大学);University of Virginia(弗吉尼亚大学)
针对图机器人检测依赖邻居且易引入偏差的问题,提出LMBot框架,通过将图神经网络知识蒸馏到语言模型中实现无图推理,在四个基准上达到最先进性能且更鲁棒高效。
2024-01-03 cs.AI cs.CL cs.SI
To Tweet or Not to Tweet: Covertly Manipulating a Twitter Debate on Vaccines Using Malware-Induced Misperceptions
巨魔和社交机器人已被证明是操纵公众舆论和在Twitter用户中播种不和的强大策略。这项工作需要大量的内容制作和帐户协调,以逃避Twitter对恶意平台使用的检测。在本文中,我们探索了一种隐蔽的社交媒体干扰的替代策略,通过诱导对经过验证的用户的真实,非拖钓内容的误解。这种策略使用了一种恶意软件,在真正的内容以一种隐蔽的中间人方式呈现给目标用户之前,秘密地操纵目标词、标签和Twitter指标。对恶意软件的早期测试发现,它能够实现与巨魔和社交机器人类似的目标,即沉默或煽动社交媒体用户在社交媒体上的两极分化辩论中表达自己的观点。在此之后,我们在受控环境中进行了实验测试(N=315),恶意软件在Twitter上关于疫苗导致自闭症风险的辩论中秘密操纵了感知。实证结果表明,诱导误解是一种有效的策略,沉默的Twitter用户时,辩论两极分化的问题,如疫苗。我们利用这些发现提出了一种解决方案,以对抗恶意软件引起的误解的影响,这种误解也可以用于对抗Twitter上的巨魔和社交机器人。
2020-03-26 cs.CR cs.SI
Dissecting a Social Botnet: Growth, Content and Influence in Twitter
University of Washington(华盛顿大学)
社交僵尸网络已经成为社交媒体上的一个重要现象。社交机器人可以通过许多方式破坏或影响在线话语,例如垃圾邮件标签,诈骗twitter用户和astroturfing。在本文中,我们考虑了Twitter中的一个特定社交僵尸网络,以了解它如何随着时间的推移而增长,社交僵尸网络的推文内容与同一数据集中的普通用户有何不同,以及社交僵尸网络如何影响相关讨论。我们的分析是基于对叙利亚社交机器人的大约3000条阿拉伯语和英语推文的定性编码,这些推文在关闭之前在Twitter上活跃了35周。我们发现,这个特定的僵尸网络的增长,行为和内容并没有特别符合僵尸网络的常见概念。此外,我们确定僵尸网络的有趣的方面,区分它从普通用户。
2016-04-13 cs.CL cs.CY cs.SI
Understanding Types of Users on Twitter
人们使用像Twitter这样的微博平台与其他用户进行广泛的兴趣和实践。Twitter配置文件由不同类型的用户运行,例如人类,机器人,垃圾邮件发送者,企业和专业人士。这项研究工作确定了六大类Twitter用户,并采用了监督机器学习的方法,使用一套全面的功能,将用户分类到所确定的类。为此,我们利用用户的个人资料和鸣叫行为信息。我们评估我们的方法进行10倍交叉验证手动注释716个不同的Twitter配置文件。高分类准确率(使用AUC和精度,召回率测量)揭示了所提出的方法的意义。
2014-06-05 cs.CY cs.SI