基于图神经网络的社交机器人检测方法结题报告.docVIP

基于图神经网络的社交机器人检测方法结题报告

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、舆论形成和社交互动的核心场域。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，社交机器人（SocialBots）的泛滥正严重威胁着社交媒体生态的健康。这类由算法驱动的自动化账号，能够模拟人类用户行为，大规模生成虚假内容、操纵舆论走向、干扰选举进程甚至传播恶意信息。2024年美国大选期间，社交机器人发布的虚假政治内容占比高达32%，直接影响了部分选民的投票倾向；而在公共卫生事件中，社交机器人传播的虚假医疗信息更是导致了不必要的恐慌和资源浪费。

传统的社交机器人检测方法主要依赖于账号属性特征（如用户名、头像、注册时间）和行为特征（如发帖频率、内容相似度），但这些方法存在明显局限性。一方面，随着对抗技术的发展，社交机器人的伪装能力不断增强，能够模拟人类的行为模式，绕过基于规则或传统机器学习的检测系统；另一方面，传统方法往往忽略了社交网络的结构信息，而社交机器人通常会通过构建虚假社交关系网络来扩大传播范围，这种结构层面的异常难以通过单一账号特征识别。因此，如何利用社交网络的图结构信息，构建更鲁棒、更高效的检测模型，成为当前研究的核心问题。

二、相关研究综述

（一）传统检测方法

传统社交机器人检测方法可分为三类：基于规则的方