基于生成对抗网络的喷子行为变化半监督检测方法

《Scientific Reports》：Troll detection using generative adversarial network (GAN) based on social network features

　　

摘要

喷子是指故意扰乱讨论、散布误导或煽动性信息，并在数字互动中挑起冲突或混乱的在线用户。基于行为变化的喷子检测是该领域研究的新方法之一。生成对抗网络（GAN）的反馈导向特性，结合社会网络分析中的关系洞察，使得行为变化的有效模拟和识别成为可能，从而在多样的喷子策略下提升了检测性能。本文利用生成对抗网络（GAN）作为一种新的半监督深度学习方法，用于检测喷子的行为变化。所提出的方法包含三个组成部分：生成器、判别器和分类器。这些组件不仅协同完成喷子言论的分类，还能生成与训练数据集高度相似的样本。该方法通过两个参与最小-最大对抗框架的神经网络协同运行。在此过程中，判别器负责区分真实样本与合成样本，而生成器则致力于生成逼真的虚假样本以欺骗判别器。该方法的一个关键特点是通过LSTM层将生成器与分类器集成在一起，作为二者之间的共享通道。所提出的方法与LSTM和逻辑回归在两个Twitter喷子数据集上进行了比较，包括一个包含14,940个实例的小规模标注数据集和一个包含约300万条俄罗斯喷子相关推文的大规模语料库。采用准确率和F1分数进行性能评估。结果表明，所提出的TrollGAN模型在准确率和泛化能力上均优于基线方法，同时在数据规模增大和行为复杂度提升的情况下仍能保持稳定的判别行为。这些发现凸显了对抗学习在大规模和动态喷子检测任务中的适用性。