摘要
随着互联网的飞速发展，人们的社交的方式也越来越复杂，如今社交网络在人们的工作、学习和生活发挥着越来越大的作用，是现代社会和人际关系的重要一环。因此如何有效识别社交网络中的异常用户，保证社交网络环境的纯洁性和安全性成为学术界和工业界共同关注的焦点。然而社交平台虚假用户行为多样化且不断发展，需要设计更具弹性和健壮性的社交网络虚假用户检测系统才能适应当前的网络环境。 本文针对真实社交网络异常用户检测模型中数据存在的特征缺失问题以及缺乏足够多的虚假用户标签的数据，攻击方式层出不穷的问题，提出了两种基于深度学习的社交网络中虚假用户检测技术，分别设计了融合图卷积神经网络的虚假用户检测方法和基于CGAN-LSTM的虚假用户检测方法，在研究中解决了使用GAT模型进行图嵌入、使用LSTM模型进行文本信息嵌入、采用跳跃连接增强基本属性的权值并使用CGAN进行数据扩充等主要技术问题，完成用户特征学习及用户类别推理过程，建立目标模型。对虚假用户的检测结果表明本文提出的带有注意力机制的GAT的虚假用户检测方法和基于CGAN-LSTM的虚假用户检测方法在提高虚假用户检测准确率的同时降低误报率方面较现有技术有明显优势，且具有较好的鲁棒性。 本文的创新点主要包括以下两点： 1.针对社交平台用户属性数据的缺失问题，提出了一种在特征层面对异构用户数据融合的方法。解决了模型训练过程中遇到的社交平台用户属性数据的缺失问题，使模型对数据缺失对容忍度得到提高，提高了虚假用户检测能力。 2.针对社交平台虚假用户数据的数据量不足以及数据均衡问题，提出了一种基于CGAN+LSTM的方法，使得训练启动时仅需少量数据，降低了人工数据标注成本，并使得模型对未知攻击手段也具备一定的启发式识别能力。
NETL