通过构建 Twitter 真实与虚假跟随者的基准数据集，本文训练了一组基于机器学习的分类器，证明了部分学术界提出的用于垃圾邮件检测的特征表现良好，建立了一个新的 “Class A” 分类器，能够正确分类超过 95% 的账户，并进行了灵敏度分析。

Sep, 2015

本文介绍了基于社交网络的用户连接情况的早期检测假用户帐户的问题，以及引入了一种名为 SybilEdge 算法的解决方案，并展示了其对 Facebook 网络的高性能识别表现。

Apr, 2020

本文讨论了如何检测大型在线网络中的可疑用户及其潜在的商业利用，提出了一种对抗性算法 fBox，旨在捕捉目前基于谱分析方法检测不到的小规模袭击。该算法通过理论分析和实验验证具有高准确性和可扩展性，在 Twitter 上的实际数据上取得了良好的表现，可以用于检测持久存在的可疑账户。

Oct, 2014

该论文提出了一种应用程序，旨在检测和中和在线社交网络中的虚假实体，并着重保护公司免受潜在欺诈行为的影响。该应用程序以用户为中心的设计确保了对调查机构，尤其是刑事部门的可访问性，便于在复杂的社交媒体环境中进行导航和与现有调查程序的集成。

Nov, 2023

本文提出了一种使用 GAN 算法通过 Twitter 数据集计算用户之间的相似度，以识别和检测假用户账户的新方法，并实验结果表明，该方法的准确率能够达到 98.1％。

Oct, 2022

通过分析金融账户之间的关系，本研究探讨了使用个性化 PageRank 算法来捕捉欺诈的社会动态。结果表明，将个性化 PageRank 算法融入欺诈检测模型可以提高预测能力，并且该算法的重要性得分较高，特征稳定性分析确认训练和测试数据集之间的特征分布一致。

Feb, 2024

该研究提出了一个基于机器学习的检测模型，通过使用用户在线活动的多个属性来识别虚拟身份是否属于同一个真实人，以防止虚假 / 非法活动的传播。通过在两个滥用和涉及恐怖主义的 Twitter 内容上演示模型的有效性。

Aug, 2023

研究使用机器学习算法和长短期记忆 (LSTM) 神经网络在社交媒体上进行社交工程学和网络钓鱼攻击，通过动态种子和主题聚类等机制使攻击更有针对性。尝试提高攻击成功率，最终实现了三倍于历史电子邮件攻击的成功率，并超过手动执行相同任务的人类。

Feb, 2018

本文研究了解和利用社交媒体上的用户资料以便于发现假新闻。我们分析了用户在社交媒体上的分享行为以及其与真假新闻的关系，研究了隐式和显式资料特征，探讨了利用这些特征进行假新闻分类任务的可行性和有效性。

Apr, 2019

本研究提出一种新的方法，建立一个包括参与 2022 年全年阴谋相关活动的推特用户的数据集，该数据集通过独立于具体阴谋理论和信息运作进行数据收集。通过比较分析，结果显示阴谋用户和对照组在个人资料特征上相似，但在行为和活动上有明显的差异，尤其是讨论的主题、使用的专业术语以及对热门话题的立场。最后，我们开发了一个分类器，使用 93 个特征来识别阴谋用户，结果表明该分类器具有高准确性（平均 F1 得分为 0.98%），从而揭示了与阴谋相关账户最具区别性的特征。

Aug, 2023