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：

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
• 好友在中国地图分布
• 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

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、好友分布的中国地图、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中国地图上的分布图
    • 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
  • 虚假用户网络 - 一个个小的聚集圈，小世界现象显著

• 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

• 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

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

• 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。

参考

• 爬虫参考(https://github.com/dataabc/weiboSpider , https://github.com/dataabc/weibo-crawler)

  第二个是免cookie版，缺点是微博发布时间只能精确到天，第一版能精确到分

• 微博数据可视化(https://github.com/easilylazy/gitskills)

  参考关注关系形成的中国地图、博文传播绘制