/WeiboSpammer

🐛 新浪微博社交网络分析&虚假用户检测。衍生应用:生成个性化新浪微博用户报告。

Primary LanguageHTML

WeiboSpammer

Course project of Social Network Mining(DATA130007.01), Supervised by Deqing Yang

Copyright (c) 2020 by Xiaoxin He,Xixi Wu @Fudan Univerisity

😄使用我们的微博个性化报告

前端效果

在./app/main.py中，改变任意用户的id，即可生成该用户新浪微博个性化报告。 运行截图： 图片说明

该个性化报告包括(这里我们以明星秦昊为例)：

  • 微博内容词云 wc
  • 好友在**地图分布 regoin
  • 异常粉丝(调用我们预训练的虚假用户分类模型)
  • 沉寂关注(最近半年没发微博)
  • 发微博时间统计图 图片说明

工作介绍

  • 新浪微博虚假用户检测

    • 爬取2k用户的详细个人信息与全部微博内容，人工标注类别，构建数据集

      数据集在 ./data目录下，其中正负样本比例为83:17

    • 特征抽取
      • 社会特征：关注数 (F1)、粉丝数 (F2)、关注粉丝比 (F3)
      • 用户行为特征：月均微博 (F4)、时间间隔 (F5)、转发比 (F6)
      • 内容特征：URL 链接比 (F7)、微博评论比 (F8)、原创微博评论比 (F9)、微博平均长度 (F10)、博文余弦相似度(F11、F12)
    • 训练机器学习分类器，包括SVM、KNN、RF等。
      • 各个模型在测试集上的F1、AUC、Recall、Precision上基本都能达到90%以上，性能好
      • 随机森林模型效果最好，AUC、F1非常接近1

  • 正常用户社交网络(NormNet)与虚假用户社交网络(SpamNet)可视化与分析

    • 构建方式：在上述数据集中随机选择1个正常用户与1个虚假用户，爬取三阶粉丝网络
    • 规模：
      • NormNet:节点909，边2659
      • SpamNet:节点891，边1423
    • 可视化部分:关注-被关注关系,微博转发关系,地域间关注关系
    • 网络属性分析:度分布、连通性、同质性

  • 应用

    • 功能：输入任意一位新浪微博用户的id，生成他/她的个性化报告。
    • 包括：微博内容词云图、好友分布的**地图、沉寂关注（关注的人中近半年没有发微博的）、异常粉丝（应用我们训练好的分类模型，检测粉丝中的虚假用户）

代码与文件介绍

爬虫 ./crawler

  • user_weibo.py：指定用户id，爬取该用户详细个人信息与全部微博内容，写入csv文件中
    • 用户信息包括：id、昵称、地区、性别、信用、注册时间、微博数、关注数、粉丝数、个人简介
    • 微博内容包括：微博id、内容、发布时间（精确到分）、是否转发、长度、是否含url、点赞数、转发数、关注数
  • bfs_network.py：指定用户id，爬取其三阶粉丝网络、写入csv文件中

注意：需要设定自己的cookie以及调整休眠时间（新浪微博api有限流）

虚假用户检测二分类数据集 ./data

  • UserDetail.csv 用户信息 ，共2234位

    这些用户是从蔡徐坤微博评论中随机选择，因此虚假账号较多，而且非常典型

  • weibo.csv 上述用户的微博信息,接近40w条

两类网络分析 ./network_analysis

  • NormNet - 正常用户网络
    • User.csv,Edge.csv: 可直接导入Gephi，进行网络可视化和网络属性计算
    • weibo.csv: 该网络的用户微博（只爬取了最近的二十条）
    • homogenetiy.py: 网络同质性分析，包括：
      • 用户微博内容与好友微博内容相似度，计算方式在textSimi.py-余弦相似度计算
      • 任意一个用户与好友在**地图上的分布图
      • 用户间微博转发关系，并可视化
  • SpamNet - 虚假用户网络 方法类似，因此只上传了数据

衍生的微博个性化报告 ./app

启动main.py,即可获取任意id的用户的新浪微博报告

正常用户与虚假用户社交网络差异分析

网络可视化

  • 关注-被关注关系

    • 正常用户网络 - 连接稠密，外围小的聚集 normalnet
    • 虚假用户网络 - 一个个小的聚集圈，小世界现象显著 spamnet

  • 微博转发关系

    • 正常用户的社交网络间存在微博转发关系，如下图. 我们只爬了他们最近的二十条微博，这九百个节点便已经可以形成非常可观的转发关系 repost

  • 地域间关注关系

    • 正常用户与好友分布图（左），正常用户在江苏，好友在江浙沪形成聚集，说明正常用户与好友位置较近
    • 虚假用户与好友分布（右）距离较远 region_comp

网络属性

  • 度分布。NormNet平均度数2.9，SpamNet1.5。NormNet的度分布能拟合出幂律分布 degree

  • 连通性。NormNet强连通分类420，远小于SpamNet。NormNet平均路径长度5.22，非常接近六度空间理论

  • 同质性。

    • 比较用户的微博内容与好友的微博内容，文本相似度高
    • 活跃时间。 就一天中发文时间来看，正常用户在中午和晚上有两个高峰，符合正常用户通勤作息。虚假用户夜间频率高 就一年中各月微博数统计，正常用户各月较为均衡，而虚假用户有短时突发性。 time_cmp1 time_cmp2

参考