摘要
社交机器人通过散布虚假信息、操纵公众舆论和从事欺诈活动，威胁着在线社交平台的完整性。因此，检测社交机器人不仅仅是一个分类问题：展望未来，检测器还可以作为基于智能体的社交网络生成中的判别性组件，为"生成—检测—解释—精炼"循环提供真实性评估信号。现有的基于图的检测方法主要依赖社交关系图，并未明确将行为相似性作为独立的并行图分支处理。本文提出了一种用于Twitter机器人检测的双分支图神经网络，其中包含一个异质社交关系图，以及一个稀疏的、条件性激活的行为相似性辅助视图；本文的主要贡献是一个具有竞争力的检测器，以及一个用于归因和修复该辅助视图价值的诊断协议。关系分支使用关系图卷积网络（Relational Graph Convolution Network）处理异质社交关系图，而辅助分支则对行为相似性图应用图注意力网络（Graph Attention Network），该图通过连接具有相似的关注者—被关注者比率、推文类型分布和帖子影响力指标的用户来构建。在TwiBot-22数据集上的实验表明，所提出的模型在五个随机种子下达到了89.48 ± 0.07%的准确率和78.11 ± 0.14%的宏平均F1分数（使用每个种子校准的验证决策阈值），（在默认0.5阈值下为89.92 ± 0.07%的准确率和77.28 ± 0.31%的宏平均F1分数）。分类别和阈值分析进一步表明，默认工作点在少数类机器人上偏向精确率（机器人召回率为54.83 ± 1.60%），而在验证校准阈值附近运行（τ = 0.40）可将机器人召回率提升至64.12 ± 1.31%。消融研究表明，语义文本嵌入提供了最大的单项性能贡献，而关系分支提供了大部分图信号。分层度数分析进一步表明，行为分支在其覆盖的约1%用户上具有功能性活性——预测变化次数是未覆盖节点的2.9倍，概率偏移幅度为4.0倍——在那里，仅使用验证集的子群阈值可将宏平均F1从51.85提升至67.17，无需重新训练，因此它可以转化为可部署的校准组件。
