数据空间研究中心于近日在社交机器人检测领域发表了一项重要的研究成果。论文链接：link。
随着互联网上多种社交平台的迅速发展，在社交网络海量的数据和用户中出现了大量由程序自动控制的机器账号。其中一部分机器账号存在恶意行为，它们常在社交平台中发布带有潜在意图的诱导内容和不良信息，用以达到窃取用户隐私、实施网络钓鱼和误导网络舆论等恶意目的。2016年以来已经发现了第三代机器账号，由于人为操作和自动化的混合程度加深，能够从其他真实账号盗取信息，利用人工智能技术生成高可信的文本或图片，其行为更像真实人类账号，越加难以分辨恶意机器账号和真用户账号。因此针对恶意机器账号的检测的研究成为日益重要的课题。
杨英光同学自2021年开始针对社交机器人检测领域进行调研，并联合中国电子科技集团公司电子科学研究院，社会安全风险感知与防控大数据应用国家工程实验室，利兹大学等多方研究力量，共同展开社交机器人检测的相关研究。经过一年多的努力，所取得的研究成果以论文形式发表于期刊ACM Transactions on the Web(TWEB)，论文题目为” RoSGAS: Adaptive Social Bot Detection with Reinforced Self-supervised GNN Architecture Search”
该研究成果提出了基于强化学习对异质的社交关系图和图神经网络结构进行搜索的一种社交机器人检测方法。现有的基于图神经网络的社交机器人检测方法基于只有用户节点的同质图，无法利用在社交网络中社交账号在交互时形成的关系对应的语义信息，并且当前的基于图神经网络的检测方法无法自适应的为每一个账户构建合适的网络结构，也受困于密集的社交网络图造成的过平滑问题。还有由于检测模型需要大量数据才能提高检测性能，但在真实的社交网络中被标注的社交机器人数据样本较少，无法满足模型对于数据的需求。该方法首先提出了社交网络平台中异质社交图的构建方法，并提出了一种基于强化学习进行搜索的异质图神经网络社交机器人检测方法。利用强化学习为目标用户选择合适的子图以及合适的图神经网络层数。利用对比学习进行数据增强。在多个实验数据集上证明了该方法的有效性，并同时证明了该方法的泛化性以及良好的表征能力。
