Dynamicity-aware Social Bot Detection with Dynamic Graph Transformers

要約

ソーシャル ボットの検出は、誤った情報の拡散と闘い、オンラインでのやり取りの信頼性を維持することを目的として、極めて重要かつ複雑なタスクに進化しました。
ソーシャル ネットワークのトポロジ構造を活用した初期のグラフベースのアプローチは、注目すべき結果をもたらしましたが、ソーシャル ネットワークに固有の動的な性質を見落としていました。実際には、ソーシャル ネットワークは主に静的なグラフとして描かれており、その最新の状態のみに依存していました。
。
動的モデリングがないため、このようなアプローチは、特に高度なソーシャル ボットがアイデンティティを偽装して検出を逃れるために他のユーザーと対話する場合に回避に対して脆弱です。
これらの課題に取り組むために、私たちは、トポロジ構造を考慮するだけでなく、ソーシャル ネットワークの動的な性質も効果的に組み込んだ新しいフレームワークである BotDGT を提案します。
具体的には、ソーシャル ネットワークを動的グラフとして特徴付けます。
構造モジュールを使用して、各履歴スナップショットからトポロジ情報を取得します。
さらに、歴史的コンテキストを統合し、ソーシャル ボットと正当なユーザーによって示される進化する行動パターンをモデル化するための時間モジュールが提案されています。
実験結果は、精度、再現率、F1 スコアの点で、ソーシャル ネットワークの動的な性質を無視した主要な手法に対して BotDGT が優れていることを示しています。

要約(オリジナル)

Detecting social bots has evolved into a pivotal yet intricate task, aimed at combating the dissemination of misinformation and preserving the authenticity of online interactions. While earlier graph-based approaches, which leverage topological structure of social networks, yielded notable outcomes, they overlooked the inherent dynamicity of social networks — In reality, they largely depicted the social network as a static graph and solely relied on its most recent state. Due to the absence of dynamicity modeling, such approaches are vulnerable to evasion, particularly when advanced social bots interact with other users to camouflage identities and escape detection. To tackle these challenges, we propose BotDGT, a novel framework that not only considers the topological structure, but also effectively incorporates dynamic nature of social network. Specifically, we characterize a social network as a dynamic graph. A structural module is employed to acquire topological information from each historical snapshot. Additionally, a temporal module is proposed to integrate historical context and model the evolving behavior patterns exhibited by social bots and legitimate users. Experimental results demonstrate the superiority of BotDGT against the leading methods that neglected the dynamic nature of social networks in terms of accuracy, recall, and F1-score.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google