论文笔记：Leveraging network topology for better fake account detection in social networks

1 推文特征（Tweet Features）

用10个推文特征判断一条推文特征是怎样生成的：

• auto-generated (AGT)
• human-generated (HGT)

分别是：

1. isReply ∈ {0, 1} indicates if a tweet is a reply
2. isRetweet ∈ {0, 1} 判断是否是转发
3. accountReputation given by number of followers divided by number of friends and followers
4. 一条推文中hashtagdensity（#）,urldensity（http://）, mentiondensity(@)的数量
   $$\frac{出现的次数}{推文的字数}$$
5. statusesPerDay 每天更新的状态数量
6. favoritesPerDay是每天被收藏的推文的数量
7. 登录设备的类型 deviceType ∈ {web, mobile, app, bot, …}

使用的算法： random forests (RF)

该算法的性能不如单语言分类器。如果有足够的资源可用，那么更明智的做法是为每种语言训练一个单一语言分类器，用于识别自动生成的tweet，而不是使用多语言模型。该模型仅在两种语言的小数据集上进行了训练，如果使用其他语言，可能会表现得更好。此外，作者仅用另一种语言对模型进行了评估，可能需要更广泛的评估

2 图的中心性特征（centrality graph measure）

举个例子，对于名人来说 ，有很粉丝关注他们，相比之下，被名人关注的对象就很少。

于是推测，bot account会大量关注别的账户，而它们一般不会拥有很多粉丝。

dataset

现实世界数据的特点： large, real-life class-imbalanced network dataset

generalized bot detection methods 比特定的 botnet specific methods要表现的好

a number of different supervised learning algorithms：

• Quadratic Discriminant Analysis (QDA),
• Gaussian Na¨ıve Bayes (GNB),
• Support Vector Machine (SVM),
• K-Nearest neighbors (KNN)
• Random Forests (RF)

结果发现：

• RF, KNN and even SVM perform poorly on imbalanced data
• QDA and GNB perform best for imbalanced datasets.