提出了一种基于关系图卷积网络的 Twitter 机器人检测方法 BotRGCN，它通过构建由关注关系组成的异构图来解决社群挑战，并利用多模用户语义和属性信息来捕获具有多样化伪装的机器人，实验结果表明，BotRGCN 在基准测试 TwiBot-20 中的性能优于竞争方法。

Jun, 2021

本研究提出基于异质图的元路径捕获方法，结合全局语义关系和社交媒体消息传播结构信息，用于检测社交媒体中的谣言。在真实的 Twitter 数据集上进行的实验证明了该方法的优越性，同时还具有非常早期检测谣言的能力。

Jun, 2020

社交机器人检测是一个关键而复杂的任务，旨在阻止虚假信息的传播，并保持在线交互的真实性。然而，由于静态图的固有局限性，先前基于图的方法忽视了社交网络的动态性，导致这些方法容易被高级社交机器人规避。为了解决这些挑战，我们提出了 BotDGT，一个既考虑拓扑结构又有效地融入社交网络动态性的新框架。实验结果表明，BotDGT 在准确性、召回率和 F1 得分等方面优于忽视社交网络动态性的主要方法。

Apr, 2024

本篇论文提出了一种基于 Transformer 的新型 HetTransformer 模型，旨在有效准确地识别社交网络上的假新闻，该模型能够全面捕捉社交网络中实体的本地多模态语义和传播模式的全局结构表示。实验表明，该模型在假新闻检测方面优于现有的基线模型。

May, 2022

早期检测社交垃圾机器人对于防范传播虚假信息和操控公众意见至关重要。本研究首次使用用户描述字段和图像，采用预训练的视觉模型以及 TwHIN-BERT 来获取文本和图像的表征，并提出了三种不同的融合方法进行多模态融合，并在 Cresci '17 数据集上进行了广泛实验，证明了我们方法在准确率上具有显著优势，达到了 99.98%。

Aug, 2023

通过构建异构图，揭示了在社交媒体上假新闻的存在及其与主题、实体和内容之间的关系，并提出了一种利用异构子图转换器来检测假新闻的方法。实验证明这种方法在真实世界数据集上的表现优于其他基线模型，而进一步的案例和消融研究证实了其性能改进是由其特殊设计的组件所致。

Apr, 2024

通过构建多种异质社交上下文图并将问题重新定义为图分类任务，本文提出了一种高效的方法来检测虚假新闻，并在常见基准数据集上获得了鲁棒的结果，研究成果表明将不同类型的信息（以获得何种社交上下文水平最有效）与使用不同的图形神经网络架构相结合非常有效。

Dec, 2022

提出了一个基于图的 Twitter 机器人检测基准 (TwiBot-22)，该基准提供了目前最大的数据集，具有更好的注释质量，并重新实现了 35 个代表性的 Twitter 机器人检测基线，以维护模型性能公正比较和研究进展的整体理解。

Jun, 2022

本研究提出了一种称为单元引导层次图注意力网络的方法，利用社交上下文以增强响应帖子的表征学习，并在 Twitter 上展示了其优越的谣言检测能力。

Oct, 2021

本文提出了一种新颖的全局 - 局部注意力网络（GLAN）来进行谣言检测，该网络联合编码了本地语义和全局结构信息，并基于异构图模型来捕捉消息传播图中的丰富结构信息，实验证明在谣言检测和早期检测场景中，GLAN 明显优于现有的最先进模型。

Sep, 2019