面向电力市场虚假信息的社交机器人检测系统及方法

本发明涉及虚假信息检测，尤其涉及一种面向电力市场虚假信息的社交机器人检测系统及方法。

背景技术：

1、随着互联网的快速发展，社交媒体平台成为了人们日常生活中不可或缺的一部分。这些平台为用户提供了一个分享和交流的空间，但同时也成为了恶意行为者的温床。其中，社交机器人（social bots）的泛滥已经成为一个亟待解决的问题。社交机器人通过自动化的方式模拟人类用户行为，能够在社交媒体上进行大规模的信息传播。近年来，不法分子开始利用社交机器人在电力市场中虚报故障，扰乱电力供应，进一步影响电力市场的稳定性。因此，有效地检测和识别这些社交机器人，尤其是涉及电力系统的虚假信息传播，已经成为当前信息安全领域的重要课题。

2、现有的社交机器人检测方法主要分为基于用户行为特征和基于社交网络结构的两大类。基于用户行为特征的方法通常利用用户的推文内容、发布频率、互动行为等特征，通过机器学习或深度学习模型进行分类。然而，随着社交机器人技术的不断进步，这些特征变得越来越难以区分。高级社交机器人能够通过模仿人类用户的行为模式，生成高质量的内容，进而逃避检测。这使得仅依赖行为特征的方法在面对复杂和高级的社交机器人时效果有限。

3、基于社交网络结构的方法则利用了用户之间的关系网络，通过分析用户的关注关系、互动频率等网络结构特征来识别社交机器人。这类方法的优势在于，社交机器人的行为虽然可以伪装成人类用户，但其在社交网络中的关系结构往往难以完全模仿真实用户。然而，传统的网络结构分析方法大多基于简单的图结构，只能捕捉到用户之间的直接关系，忽略了社交网络中存在的复杂高阶关系。

4、为了更好地捕捉社交网络中的复杂关系，并特别关注那些可能影响电力系统的社交机器人活动，超图（hypergraph）模型被引入到社交机器人检测领域。超图不同于传统的简单图，它能够表示多个用户之间的复杂互动关系，适用于描述社交网络中存在的多种关系类型。例如，在一个社交网络中，多个用户共同关注某个用户，或者一个用户关注多个其他用户，这些关系都可以通过超图来建模。通过超图，可以更全面地表示社交网络中的关系结构，提高检测的准确性。

5、随着社交媒体平台的广泛应用，社交机器人（social bots）的泛滥已成为一个日益严重的问题。社交机器人现在被用于电力系统，发布虚假的故障报告以扰乱电力市场。为了有效识别和检测这些机器人，研究人员提出了多种方法，主要分为基于特征、基于文本和基于图的三大类方法。尽管这些方法在一定程度上取得了成功，但在电力系统的应用场景中仍然存在一些不足之处。

6、基于特征的方法：

7、基于特征的方法主要利用用户的元数据和行为特征进行社交机器人检测。例如，sgbot采用随机森林分类器对用户的元数据和派生特征进行特征工程。这类方法的优点在于实现相对简单且计算效率较高。然而，随着社交机器人技术的不断进步，许多高级机器人能够模拟真实用户的行为特征，使得仅依赖于元数据和行为特征的方法在面对高级社交机器人时效果有限，尤其是在电力系统中的虚假故障报告场景中。

8、基于文本的方法：

9、基于文本的方法通过分析用户发布的内容来识别社交机器人。例如，wei等人使用循环神经网络（rnn）捕捉推文中的特征，将社交机器人检测转化为文本分类任务。这类方法能够捕捉到文本中的复杂模式，从而识别出自动生成的内容。然而，社交机器人生成的文本内容越来越难以与人类用户区分，尤其是在自然语言生成技术快速发展的今天。因此，基于文本的方法在面对高质量文本生成的社交机器人时，识别准确率可能会下降。

10、基于图的方法：

11、基于图的方法利用社交网络中用户之间的关系结构进行检测。例如，botrgcn构建了一个异构图来表示用户网络，并利用关系图卷积网络（rgcn）进行表示学习和机器人检测。这类方法能够利用社交网络中的结构信息，捕捉到用户之间的复杂关系。然而，传统的图模型往往只能表示简单的边关系，难以捕捉高阶的复杂关系。此外，构建和处理大规模图结构的计算成本较高，可能影响模型的实时性和可扩展性，特别是在需要快速响应的电力系统故障检测中。

12、尽管现有的社交机器人检测方法在社交媒体领域取得了一定的成功，但在电力系统的应用中仍存在以下几个主要问题：

13、1. 模拟行为难以区分：高级社交机器人能够通过模仿人类用户的行为特征和生成高质量的文本内容，使得基于特征和基于文本的方法难以区分这些机器人和真实用户，尤其是在电力系统中的故障报告场景。

14、2. 忽略高阶关系：传统的基于图的方法通常只能捕捉用户之间的简单边关系，难以表示和利用社交网络中的高阶复杂关系，这在面对具有复杂互动模式的高级社交机器人时表现不佳。

15、3. 计算成本高：构建和处理大规模的图结构需要大量的计算资源，影响了模型的实时性和可扩展性，这对于需要快速准确响应的电力系统而言是一个重要限制。

16、4. 多模态信息融合不足：用户在社交媒体上的信息通常是多模态的，包括文本、图片、视频和元数据等。现有的方法大多集中在某一种类型的信息上，难以全面融合多种模态的信息，从而影响检测效果，特别是在分析技术性的故障报告时。

技术实现思路

1、本发明实施例所要解决的技术问题在于，提供一种面向电力市场虚假信息的社交机器人检测系统及方法，以增强在电力系统中对社交机器人虚报故障行为的监测能力，有效地保护电力市场的稳定性。

2、为了解决上述技术问题，本发明实施例提出了一种面向电力市场虚假信息的社交机器人检测系统，包括构建单元和检测单元，构建单元构建用于电力市场中发布故障虚假信息的社交机器人的hyperbot模型，检测单元将发布电力市场中故障信息的用户信息输入hyperbot模型，通过hyperbot模型判断该用户为社交机器人还是为真实用户；

3、hyperbot模型包括超图构建模块、多模态用户网络模块、超图专家网络模块、关系融合网络模块、特征融合层，其中，

4、超图构建模块构建超图模型，利用超图模型构建社交网络，捕捉社交网络中用户的好友关系和关注关系；

5、多模态用户网络模块从用户的文本内容和元数据中提取并融合特征，获取每个用户的多模态表示；

6、超图专家网络模块学习简单图、超图及简单图与超图的复合图中的用户关系；

7、关系融合网络模块使用多头自注意力机制融合不同类型的关系特征，进行用户分类；

8、特征融合层同时学习与用户相关的好友关系和关注关系，将用户分类为社交机器人或真实用户。

9、相应地，本发明实施例还提供了一种面向电力市场虚假信息的社交机器人检测方法，包括构建步骤及检测步骤，

10、构建步骤：构建用于电力市场中发布故障虚假信息的社交机器人的hyperbot模型；hyperbot模型包括超图构建模块、多模态用户网络模块、超图专家网络模块、关系融合网络模块、特征融合层，其中，

11、超图构建模块构建超图模型，利用超图模型构建社交网络，捕捉社交网络中用户的好友关系和关注关系；

12、多模态用户网络模块从用户的文本内容和元数据中提取并融合特征，获取每个用户的多模态表示；

13、超图专家网络模块学习简单图、超图及简单图与超图的复合图中的用户关系；

14、关系融合网络模块使用多头自注意力机制融合不同类型的关系特征，进行用户分类；

15、特征融合层同时学习与用户相关的好友关系和关注关系，将用户分类为社交机器人或真实用户；

16、检测步骤：将发布电力市场中故障信息的用户信息输入hyperbot模型，通过hyperbot模型判断该用户为社交机器人还是为真实用户。

17、本发明的有益效果为：本发明通过引入超图模型和多模态特征表示，能够更全面地捕捉社交网络中的复杂关系和用户信息，为有效检测和识别高级社交机器人提供了一种新的解决方案。本发明不仅有助于维护社交媒体平台的健康生态，也为信息安全领域提供了重要的技术支持，并特别增强了在电力系统中对社交机器人虚报故障行为的监测能力，有效地保护了电力市场的稳定性。