文献类型：期刊文章

作　　者：余尚戎[1,2,3] 肖景博[1,2,3] 殷琪林[1,2,3] 卢伟[1,2,3]

YU Shangrong;XIAO Jingbo;YIN Qilin;LU Wei(School of Computer Science and Engineering,Sun Yat-sen University,Guangzhou 510006,China;Ministry of Education Key Laboratory of Information Technology,Sun Yat-sen University,Guangzhou 510006,China;Guangdong Province Key Laboratory of Information Security Technology,Guangzhou 510006,China)

机构地区：[1]中山大学计算机学院,广州510006 [2]中山大学信息技术教育部重点实验室,广州510006 [3]广东省信息安全技术重点实验室,广州510006

出　　处：《信息网络安全》

基　　金：国家自然科学基金[U2001202,62072480]。

年　　份：2024

期　　号：2

起止页码：319-327

语　　种：中文

收录情况：BDHX、BDHX2023、CSCD、CSCD_E2023_2024、JST、RCCSE、RWSKHX、ZGKJHX、核心刊

摘　　要：随着社交机器人的迭代,其倾向于与正常用户进行更多交互,对其检测变得更具挑战性。现有检测方法大多基于同配性假设,由于忽视了不同类用户间存在的联系,难以保持良好的检测性能。针对这一问题文章提出一种关注社交异配性的社交机器人检测框架,以社交网络用户间的联系为依据,通过充分挖掘用户社交信息来应对异配影响,并实现更精准的检测。文章分别在同配视角和异配视角下看待用户之间的联系,将社交网络构建为图,通过消息传递机制实现同配边和异配边聚合,以提取节点的频率特征,同时利用图中各节点特征聚合得到社交环境特征,将以上特征混合后用于检测。实验结果表明,文章所提方法在开源数据集上的检测效果优于基线方法,证明了该方法的有效性。

关 键 词：社交机器人检测  同配性与异配性  图神经网络  

分 类 号：TP309]