43、基于萤火虫优化和广义回归神经网络的Twitter垃圾机器人检测方法

基于萤火虫优化和广义回归神经网络的Twitter垃圾机器人检测方法

在社交媒体平台上，垃圾机器人账号的检测是一个重要的问题。传统的检测方法存在计算时间长、特征数量多导致准确率不高等问题。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。

现有方法分析

目前，对于Twitter用户的分类，常用的是深度Q学习算法。该算法基于社交属性、推文属性和用户属性对用户进行分类。社交属性以图的形式表示用户的特性，由于其不断变化，需要使用z分数进行归一化处理。然后，利用深度Q学习算法将这些属性用于将用户分类为机器人和活跃用户。

该方法在假项目数据集、社交蜜罐数据集和用户人气带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能保持90%以上的准确率，但存在以下缺点：
- 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，准确率仍然不高。

此外，还有许多其他的垃圾机器人检测技术，它们的优缺点总结如下表：
| 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Twitter的tf-idf组件的XGBoost | 使用Word2vec进行特征提取 | 特征提取完全依赖于Word2vec的