[发明专利]一种基于深度神经网络的微博社交机器人检测方法

说明书

本发明公开了一种基于深度神经网络的微博社交机器人检测方法，该方法包括构建人工标记数据集，提取用户数据的分类特征，构建基于残差神经网络、双向门控循环单元及注意力机制的深度神经网络模型进行新浪微博社交机器人检测。本发明通过网络爬虫获取新浪微博的用户数据，对用户及机器人的行为进行分析，从四个不同的角度提取用户数据的分类特征，利用这些特征能够实现更加全面和准确地对社交机器人进行检测；并且本发明结合了残差神经网络、双向门控循环单元及注意力机制构建深度神经网络模型，能够显著提高检测模型的准确率和稳定性。

技术领域

本发明属于社交机器人检测技术领域，具体涉及一种基于深度神经网络的微博社交机器人检测方法。

背景技术

近年来，随着信息技术的高速发展，在线社交网络(Online social networks,OSNs)出现在人们的日常生活中。随着OSNs被人们广泛地使用，其中出现了一种非正常用户的社交机器人账户。起初，这些社交机器人是被用于服务人类以提高人们的生活质量，然而这些社交机器人已经开始用于一些不良甚至非法目的，以致其对整个OSNs和人们的日常生活带来了极大的负面影响。

在现有的OSNs中，社交机器人是由程序控制的一类有着特殊目的账户，它们常常被用于非法的破坏或者牟利，包括发布大量的广告信息，传播恶意的URL链接，发布谣言信息等。此外，社交机器人还会被用来通过关注其他用户或对其他用户发表的博文进行转发、点赞和评论来提高该用户的受欢迎程度。甚至还有的社交机器人被用来干扰政治事件、操纵社会舆论，因此社交机器人已经对社会乃至国家安全构成了巨大潜在威胁。

目前针对社交机器人检测的技术大多是利用图论的方法或者传统的机器学习方法。其中基于图论的方法通常是通过关注用户之间的社交关系以及行为相似性构建社交网络图，然后针对图中的具有异常边的节点进行社交机器人的检测。同时，基于图论的技术还可以通过找出那些由于社交机器人的不寻常的行为以及行为的相似性而形成的不符合常理的特殊子图，实现对社交机器人进行联合检测。利用传统的机器学习算法实现社交机器人检测主要是通过对社交机器人进行特征提取，然后利用相关的机器学习算法进行检测。然而现在的社交机器人行为越来越复杂，通常通过一些规避策略，躲避对其的检测。尤其对于基于图论的方法，社交机器人通常通过恶意社交来躲避对于其的检测，例如通过简单的增加关注数和粉丝数，以改变社交网络图的结构。此外，在利用传统机器学习进行检测的方法中，对于提取的特征数量往往较少且不够完整，导致现有的方法无法实现较高的准确率。目前使用的机器学习算法都是一些简单的模型，虽然取得一些成果，但是仍有待提高。

针对新浪微博平台的社交机器人检测技术主要存在以下两个问题：

第一个问题是新浪微博中社交机器人的特征复杂。为了躲避检测，社交机器人往往会伪装成正常用户(Normal users)，想要较为精准地描述社交机器人(Social bots)，需要从多角度入手，例如元数据、互动行为、博文内容等。很多研究工作只注重于提取社交机器人某一方面的特征，而不能做到对社交机器人的全面描述。同时，即使有工作从多角度对社交机器人的特征进行了提取，其仍然存在特征数量较少的问题，难以全面描述社交机器人的问题。

第二个问题是传统的检测模型难以有效地解决当前社交网络环境下的社交机器人检测问题。之前的大部分研究都是使用较为简单的机器学习模型来对新浪微博中的社交机器人进行检测，虽然已取得一定的效果，但还有很大的提升空间。建立合适的模型对社交机器人进行检测的工作亟待开展。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于深度神经网络的微博社交机器人检测方法，通过提取精准描述社交机器人的多角度特征，采用深度神经网络模型对社交机器人进行全面和准确的检测。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于深度神经网络的微博社交机器人检测方法，包括以下步骤：