摘要

从推特上学习推特的行为模式，收集了1000条推特数据。设计了一个新的方法来区分账号。通过“RTT”技术发现来人为操作的转推模式和怀疑的3种机器人模式。我们的技术使用无监督的特征提取和集群。用LSTM自动编码器将转推的时间特征转化成隐藏特征向量。然后使用集群技术来将密集的聚在一起的标记为机器账号。还用RTBust发现了一个数据集种两个未知机器人网络。

介绍

原来的以单一账号进行分类的方法不再有效。组方法比较有效，但是需要收集大量数据，所以应该在数据和有效性之间取得平衡。我们的贡献如下：

• 使用了简单但有效的可视化方法分析了数据集种用户的转推行为。
• 设计了一个组分析技术能够检测有相似转推行为的账号。
• 与当前流行的技术进行了对比。证明了有效性
• 运用我们的方法发现了两个之前没有发现的机器人网络。

数据收集和注释

收集了从2018年六月18开始的两会走的数据共9989819条转推，一共1446250个账号分享。主要收集了语言是意大利的转推，但是本收集方法其实语言无关。手动检查每天大量转发的用户，很快发现有机器人，去除了良性机器人账号，并且只保留每天转推2-50个的账号。剩下了63762个账户。使用无监督技术进行分析，虽然不需要标签但还是手动注释了一部分数据，总共注释了1000个账号51%的机器人账号，49%的机器账号。

转推活动的模式

为了进行可视化，用横轴是转推特时间戳纵轴是原始推特时间戳绘制散点图来进行可视化，观看不同的账号是否有差异。

不同账号绘制的RTT散点图

• 图b是正常的真实账号的转推行为模式
• c形成的红线是每当有新推特发布，就有账号立即转发
• d形成的三角形说明了，总是有账号在固定的时间间隔对内容进行转发
• e和f也类似（不太重要）

Retweet-Buster

本文的检测方法并不是识别上述的图片来区分账号，而是开发一种检测方法，自动发现时间模式上潜在的行为模式，从而来区分账号。

模型架构

本文首先将用户转推特的时间戳化成一个时间序列。如果没转就是0。如果转发了推特就用转推的发布时间减去开始收集数据的时间的绝对值。而整个时间序列的粒度为秒。所以非常稀疏，于是用RLE技术即用负数值代替0的个数。从而将其压缩。得到压缩的表示。
然后利用无监督的变分自编码解码（VAEs）技术来将压缩的时间序列转化为潜在的特征向量。如上图，因为本技术的左图神经网路用于抽取，右侧用于重建，所以中间的向量就可以作为潜在的特征向量。
最后有了潜在的特征向量，用HDBSCAN进行聚类，将有明显的聚成一类的账号标记为机器账号，噪声数据为真实账号。整个检测模型图如上图。
同时分别使用PCA，TICA作为抽取潜在特征的方法，以及手动抽取12个特征，分别替换编码解码的方法，做了实验。

实验和结果

不同大小的潜在特征向量对性能的影响

首先对1000个标注的账号进行实验，分析超参数，潜在特征向量的维度对性能的影响。发现大小是8的时候性能较好。于是接下来选择8作为潜在向量特征维数。

与两个组方法和一个经典方法进行对比。结果如下：

与其他方法对比结果

发现VAE的RTbust方法效果最好。但是recall相对来说差一点点。

然后与T-SNE方法进行对比，说明本方法的有效性，如图：

与T-SNE方法对比图

图中两种方法在分类中虽稍有分歧，但是能表现出高度的分类一致性。

利用此技术分析未标注数据，发现了两个没有被标注的机器账户群

揭示的两个机器人网络的RTT图

并且绘制RTT图确实能发现其表现出了被怀疑的时间特征。

讨论

可视化怀疑的特征

通过对时间模式的可视化，能够对于未来数据集的标注任务有价值，并且可以作为将机器人从社交网络中一处的一个证据。而且相较于其他几个研究不要那么多数据。

通用性和鲁棒性

因为是无监督技术，所以通用性和鲁棒性都还不错。

可解释性

通过RTT可以对本方法的做出一定的可解释性。

总结

• 提出了一个可视化方法，能够有效的看出推特账号的转推的行为模式。并且发现了三个可疑的行为模式特征。并且本方法也可以用来解释黑盒的机器人检测
• 接下来设计了一个组分析方法Retweet-Buster。
• 未来将改进仅仅通过是否聚类就进行标记账号的方法。