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

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

本文通过系统文献综述，描述了使用机器学习分类器自动检测虚假新闻的必要性和方法，因为社交媒体平台上发布的虚假新闻可能会针对个人、社会、组织或政治党派进行宣传，并且人类无法检测到所有这些虚假新闻。

Feb, 2021

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

通过使用生成对抗网络 (GANs) 生成的具有人脸的推特用户作为样本，本研究系统分析了近期发展的生成人工智能 (AI) 在创建可信的假社交媒体账户方面的潜在问题。结果发现这些账户被用于传播欺诈、垃圾邮件以及增强协调的信息等虚假行为，并通过利用 GAN 生成的人脸中眼睛位置的特征以及人工注释的方法，对野外中的 GAN 生成的个人资料进行有效的识别。研究估计活跃推特用户中使用 GAN 生成的人脸的比例下限为 0.021% 至 0.044%，即每天约有 1 万个活跃账户。这些发现凸显了多模态生成 AI 所带来的新威胁。研究者公开了检测方法的源代码和收集到的数据以助于进一步调查，并提供实用启发法帮助社交媒体用户辨别此类账户。

Jan, 2024

该研究提出了一种可解释和在线的分类方法，结合无监督和有监督的机器学习方法，使用自然语言处理技术基于创建者、内容和上下文的特征，识别和解释社交媒体中的虚假新闻，并通过数据流处理提供实时的早期检测、隔离和解释，从而提高社交媒体内容的质量和可信度。

May, 2024

通过机器学习模型，利用推文文本中提取的用户资料来检测社交机器人（social bots）的研究，其主要贡献为提出一种利用个人信息相似性来区分社交机器人和人类用户的新模型，并创建了一个包含 6900 个 Twitter 账户资料的公共数据集。

Mar, 2022

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

该论文介绍了两种基于逻辑回归和布尔众包算法的分类技术，使用用户 “like” 信息对 Facebook 帖子进行分类，能够高准确地区分谣言和非谣言，这些结果表明，信息传播模式的映射可以是自动虚假消息检测系统的有用组成部分。

Apr, 2017

本文介绍了检测协同过滤推荐系统中虚假文本评论的新方法。我们提出了一种基于对比学习的体系结构，利用用户人口特征以及文本评论作为对抗虚假评论的额外证据，从而使推荐系统更加健壮。该方法能够应对两种不同类型的虚假评论（由语言模型生成的虚假评论和由不诚实用户撰写的评论），并且能够减少偏见评论的影响。

Jan, 2023