本研究通过谱聚类方法识别社区中存在高行为相似性的Email地址收集者，透露了垃圾邮件发送者之间的社交网络，并确定了垃圾邮件发送者的行为特征。发现大多数垃圾邮件发送者要么只发送网络钓鱼邮件，要么根本不发送，社区内的大多数垃圾邮件发送者也只发送网络钓鱼邮件或根本不发送，部分垃圾邮件发送者组也表现出了一致的时间行为和相似的IP地址。

Apr, 2013

本研究提出了一种新颖、简单、有效的方法来对网上用户行为进行建模，该方法通过提取和分析数字DNA序列，以Twitter为基准进行测试，应用标准的DNA分析技术识别Twitter上的真实账户和机器人账户，而该方法可用于不同平台和技术环境下的行为建模任务。

Jan, 2016

本文探讨了社交网络链接欺诈检测中的多样性和特征，提供了强有效的基于熵的特征工程，对Twitter数据的地面真实性能表现达到了超过0.95的精确度和召回率。

Apr, 2017

本文提出了一种名为SEINE（Spam DEtection using Interaction NEtworks）的垃圾邮件检测模型，利用图形框架对海量数据进行学习，并考虑邻域与边缘的属性，以实现在大规模生产系统中应用，并在真实数据集上获得80%的回收率和1%的误报率。

Jul, 2022

该研究针对协调在线行为进行了第一次动态分析，发现动态分析可以得出更为准确的结果，用户的离开和加入以及网络特性对协调社区的形成有重要影响，这为在线辩论、协调社区的策略和在线影响的研究提供了新的方向。

Jan, 2023

本研究基于真实数据集构建了行为序列，从中提取关键特征，分析了社交机器人和真实用户之间的差异性，提出了一种新型社交机器人检测系统 - BotShape，通过行为序列和特征分类器自动捕获机器人。该系统在对比其他研究后表现更好，通过提供重要的行为特征可提高大多数方法的性能。评测结果表明，BotShape检测系统在各种分类器中的平均准确率为98.52％，平均f1-score为96.65％。

Mar, 2023

使用偏好连结的 k 类分类器算法 (PreAttacK) 来检测社交网络中的虚假账户，并对其行为进行详细分析，从而实现对新用户的虚假账户检测并获得可证明的性能保证。

Aug, 2023

在线社交网络的出现导致了关于在线社交群体及其与个体个性关系的丰富文献的发展。通过对广泛的社交互动进行推断，可以得到社交结构，这些互动形成了复杂的、有时是多层次的网络，对其中的高阶结构进行了社群检测算法的提取。然而，关于社群检测算法在与其分类的个体文化生产之间的关系，却很少受到质疑。在这项工作中，我们假设社交网络及其文化生产是纠缠在一起的，并提出了一种基于文化的在线社交群体的定义，即将在线产出归类为社群相关的个体集合。我们利用这种似乎自指的在线社交群体描述，结合社区检测算法和自然语言处理分类算法的混合方法。该分析的一个关键结果是可以使用自然语言处理分类算法的准确度来评价社群检测算法的得分。另一个结果是我们可以以超过85%的准确率分配随机用户的意见。

Jun, 2024

本研究解决了在线协调行为在社交媒体中对人类互动的复杂影响及其与错误信息传播之间的关系。通过整合行业与学术界的定义，提出了一套全面的框架来研究此类行为，并批判性地评估现有的检测与特征分析方法。本研究的主要发现是揭示了当前研究中的开放挑战与未来发展方向，为学者和政策制定者提供了宝贵的指导。

Aug, 2024

本研究解决了在线 grooming 对儿童的威胁，现有技术手段无法有效实时检测此类攻击。提出了一种新颖的方法，通过结合消息级分析和上下文确定，利用先进模型如 BERT 和 RoBERTa，提高了检测的准确性和鲁棒性。实验结果表明，该方法在多数据集上的表现优越，具有广泛的应用潜力。

Sep, 2024