基于图神经网络的社交机器人检测与归因分析结题报告.docVIP

基于图神经网络的社交机器人检测与归因分析结题报告

一、研究背景与问题提出

在Web2.0时代，社交媒体平台已成为信息传播、公众讨论和社会互动的核心场域。据Statista2025年数据显示，全球社交媒体用户规模已突破50亿，占总人口的63%。然而，伴随平台影响力的扩张，社交机器人（SocialBots）的恶意滥用正成为威胁信息生态安全的关键问题。这类由算法驱动的自动化账号，通过模拟人类行为模式，在平台上批量生成内容、操纵舆论、散布虚假信息，甚至干预选举进程。例如2016年美国大选期间，约1400万社交机器人账号参与信息传播，其发布内容的传播量占政治相关话题总互动量的19%；2022年俄乌冲突中，双方均指控对方使用社交机器人进行舆论攻防，相关虚假信息在48小时内的传播覆盖超2000万用户。

现有社交机器人检测技术主要依赖账号属性特征（如注册时间、发布频率）、内容特征（如文本相似度、情感倾向）和行为特征（如互动模式、转发路径）的机器学习模型。然而，这类方法存在显著局限性：其一，特征提取依赖人工经验，难以应对机器人账号的动态进化；其二，孤立的账号分析忽略了社交网络的拓扑结构信息，无法捕捉机器人集群的协同操纵模式；其三，传统模型仅能实现“是否为机器人”的二分类，无法对机器人的操控者、操控动机及传播路径进行归因分析，导致平台治理缺乏精准靶向。

针对上述痛点，本研究提出基于图神经网络（G