一、 系统目标
- 核心目标: 高精度识别社交网络中的虚假账号(水军、机器人、僵尸号)。
- 创新点: 超越传统单账号特征分析,利用用户间复杂的关系结构(关注、转发、评论、点赞等),通过图神经网络挖掘隐藏的异常集群模式。
- 输出: 对每个账号进行风险评分或分类标签(如:真实/可疑/虚假)。
二、 系统整体架构
系统采用分层模块化设计,主要包含以下五个模块:
+------------------+ +---------------------+ +-----------------------+
| 数据采集与预处理 | --> | 图数据库构建 | --> | 特征工程 |
| (Data Ingestion & | | (Graph DB Building) | | (Feature Engineering) |
| Preprocessing) | | | | |
+------------------+ +---------------------+ +-----------------------+
|
v
+-----------------------+
| 图神经网络模型训练与推理 |
| (GNN Training & Inference)|
+-----------------------+
|
v
+-----------------------+
| 结果可视化与分析 |
| (Visualization & Analysis)|
+-----------------------+
三、 核心模块详细设计
1. 数据采集与预处理 (Data Ingestion & Preprocessing)
- 数据源:
- API接口: 使用微博、Twitter、Facebook等平台的官方API(需遵守使用条款和速率限制)获取公开数据。
- 爬虫技术: 在合法合规前提下,对公开页面进行爬取(需注意反爬策略和Robots协议)。
- 数据集: 使用公开的学术数据集(如 Twitter Bot Dataset, Weibo Spam Dataset)进行初期开发和验证。
- 采集内容:
- 节点数据 (用户): 用户ID、用户名、注册时间、粉丝数、关注数、发帖数、个人简介、头像URL、地理位置、认证状态等。
- 边数据 (关系):
FOLLOWS(关注)RETWEETS/SHARED(转发/分享)COMMENTS(评论)LIKES(点赞)MENTIONS(提及)
- 内容数据 (可选但推荐): 发帖文本、发布时间、媒体类型(图片/视频)、话题标签(Hashtags)。
- 预处理步骤:
- 数据清洗: 处理缺失值、异常值、重复数据。
- 数据标准化: 统一时间格式、文本编码、数值范围归一化(如粉丝数、关注数)。
- 文本处理: 对简介和帖子文本进行分词、去停用词、词干提取,并提取文本特征(见特征工程)。
- 数据脱敏: 移除或加密敏感个人信息(如真实姓名、精确位置),确保符合隐私法规(如GDPR)。
- 数据存储: 将清洗后的结构化数据存入中间存储(如CSV, Parquet, MySQL),为图数据库构建做准备。
2. 图数据库构建 (Graph DB Building - Neo4j)
- 选择理由: Neo4j 是领先的原生图数据库,支持Cypher查询语言,性能优异,社区活跃,非常适合存储和查询复杂的社交关系网络。
- 图模型设计:
- 节点 (Node):
User(标签)- 属性:
user_id,username,join_date,followers_count,following_count,posts_count,bio,avatar_url,location,verified,is_fake(标注数据,用于训练) 等。
- 属性:
- 边 (Relationship):
(:User)-[:FOLLOWS {timestamp: datetime}]->(:User)(:User)-[:RETWEETS {timestamp:
- 节点 (Node):
453



被折叠的 条评论
为什么被折叠?



