МОДЕЛЬ ВИЗНАЧЕННЯ АВТОМАТИЗОВАНИХ АКАУНТІВ СОЦМЕРЕЖ НА ОСНОВІ БАГАТОВИДОВОГО МЕТОДУ З МЕХАНІЗМОМ УВАГИ

Анотація

У статті розглянуто задачу виявлення бот-акаунтів у соціальних мережах як проблему аналізу різнорідних даних, що включають поведінкові, атрибутивні, текстові та візуальні характеристики користувача. Зростання кількості автоматизованих акаунтів, здатних імітувати реальну поведінку, обумовлює необхідність розробки нових підходів, які забезпечують не лише високу точність класифікації, але й пояснювальність отриманих результатів. У роботі запропоновано багатовидову модель виявлення бот-акаунтів, яка базується на використанні багатовидового методу Gradient Boosting та механізму уваги для інтеграції результатів аналізу окремих представлень. Запропонований підхід передбачає розгляд кожного типу даних як окремого представлення, для якого формується власний вектор ознак і навчається локальна модель. Поведінкове представлення враховує часові характеристики активності користувача, атрибутивне – властивості профілю, контентне – текстові особливості дописів із використанням семантичних моделей, а візуальне - ознаки зображень, включаючи аналіз метаданих та OCR. Для кожного представлення обчислюється локальна оцінка ймовірності бот-активності та показник якості даних. Інтеграція результатів виконується за допомогою механізму уваги, який визначає вагу кожного представлення залежно від його інформативності та достовірності. Це дозволяє адаптивно враховувати неповноту або неоднорідність даних та підвищує стійкість моделі до відсутності окремих типів інформації. Фінальна оцінка формується на основі зваженого об’єднання представлень із використанням метамоделі Gradient Boosting. Особливістю запропонованого підходу є можливість інтерпретації результатів за рахунок оцінки внеску кожного представлення та визначення рівня впевненості моделі. Це забезпечує прозорість прийнятих рішень і дозволяє використовувати модель у практичних системах аналізу соціальних мереж. Запропонований підхід розширює існуючі методи виявлення ботів за рахунок поєднання багатовидового навчання, адаптивної агрегації та врахування якості даних, що підвищує ефективність розробленої системи.