43、基于萤火虫优化的推特垃圾机器人高效检测方法

基于萤火虫优化的推特垃圾机器人高效检测方法

在社交媒体平台上，垃圾机器人的存在严重影响了用户体验和平台的正常秩序。因此，如何高效准确地检测出这些垃圾机器人成为了一个重要的研究课题。本文将介绍一种基于萤火虫优化（Glow Worm Optimization, GWO）和广义回归神经网络（Generalized Regression Neural Network, GRNN）的垃圾机器人检测方法。

1. 现有方法分析

目前，在社交媒体网络中检测垃圾机器人的方法有很多，其中在推特平台上，常用的是基于深度Q学习算法对用户进行分类，将推特用户分为社交机器人和影响者机器人。该方法基于社交属性、推文属性和用户属性对用户进行分类，社交属性会随时间变化，因此使用z分数进行归一化处理，然后利用深度Q学习算法将用户分类为机器人和活跃用户。

这种方法在三种数据集（虚假项目数据集、社交蜜罐数据集和用户人气波段数据集）上进行了测试，并使用准确率、精度、召回率、真阳性率、假阳性率和f值等指标进行评估。虽然Q学习方法在各类数据集上都能保持90%以上的准确率，但它存在一些缺点：
- 用于分类用户的特征数量较多。
- 计算时间长。
- 即使使用大量特征，准确率仍然不够高。

此外，还有许多其他的垃圾机器人检测技术，以下是一些常见技术的总结：
| 作者 | 技术 | 发现 | 缺点 |
| — | — | — | — |
| Mazza等 | 用于转发拦截的长短期记忆网络 | 仅使用转发作为恶意用户的特征 | 将原始用户误判为恶意用户的可能性高 |
| Pakaya等 | 基于推特tf - idf组件的XGBoost | 使用Wo