本研究提出了一种基于 LDA 潜在狄利克雷分布的新型垃圾邮件分类方法，提取了主题分布模式的本地和全局信息，优于其他最先进的方法，能够有效识别社交网络上类似合法用户的智能垃圾邮件。

Apr, 2016

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

本研究旨在通过仅依赖推文固有特征，检测社交垃圾邮件，使用两个大的手动标记的推文数据集，研究了五种分类算法和四种不同的特征集的适用性，并发现通过仅使用推文中有限的特征，我们可以获得有竞争力的结果，是社交垃圾邮件检测系统的有效补充。

Mar, 2015

利用映射垃圾邮件检测程序为网络中的分类问题的异构信息网络，提高了垃圾邮件特征的重要性，证明该方法在 Yelp 和 Amazon 等真实评论数据集上优于现有方法，其中除其他类别外，评论行为类别的特征表现得更好。

Mar, 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

社交媒体平台在信息传播中起着重要作用，本研究旨在通过识别和分类新闻，解决社交媒体平台上虚假消息和不可验证事实的传播问题，提出了基于图模型的概率马尔可夫信息传播模型，并通过实验研究证明了其在准确性和检测时间方面优于现有的虚假信息检测算法。

Oct, 2023

该研究采用基因算法综合当前最先进的社交机器人，通过操纵 Twitter 社交机器人的发展演变，提高社交机器人检测技术的有效性。结果表明，该方法逃避了当前的检测技术，但揭示了人们改进这些技术所需的要素。

Apr, 2019

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

本文探讨通过社交媒体实时数据检测和跟踪灾害事件，基于内容的社区分析和深度学习模型检测虚假新闻的分布式系统使得危害相关事件的报告更快更好地传播。

Jan, 2023

通过对推特社交垃圾邮件的研究，发现社交垃圾邮件的崛起并不被 Twitter 和人类所能够准确检测，提出需要新的方法来解决这一问题，并且将对集体行为的分析作为一种新型的检测方式。

Jan, 2017