مروری نظام مند بر روش های چندوجهی و گراف محور در تشخیص ربات های اجتماعی در شبکه های پویا

با گسترش روزافزون شبکه های اجتماعی آنلاین، ربات های اجتماعی (Social Bots) با اتخاذ رفتارهای پیچیده و شبه انسانی، به ابزاری جهت دستکاری افکار عمومی، انتشار اخبار جعلی و ایجاد اختلال در پویایی های اجتماعی تبدیل شده اند. رویکردهای سنتی تشخیص ربات که صرفا بر ویژگی های متنی یا آمارهای ایستا متکی بودند، کارایی خود را در مواجهه با رفتارهای تطبیقی و ساختارهای تعاملی زمان مند از دست داده اند. این پژوهش مرور نظام مندی را بر نسل جدید روش های مبتنی بر یادگیری چندوجهی (Multimodal Learning) و تحلیل گراف های پویا (Dynamic Graphs) ارائه می دهد. ارزیابی سازوکارهای تلفیق داده های متنی، فراداده ای و ساختاری در کنار بررسی شبکه های عصبی گراف زمان مند (TGNNs) نشان می دهد که ترکیب اطلاعات چندوجهی با روابط توپولوژیک پویا، نرخ تشخیص مثبت کاذب را به شدت کاهش داده و تاب آوری سیستم ها را در برابر حملات خصمانه ربات های نسل جدید ارتقا می بخشد. در نهایت، چالش های کلیدی نظیر ناهمگونی داده ها، مقیاس پذیری زمانی و پدیده رانش مفهوم در شبکه های متغیر با زمان مورد تحلیل قرار گرفته است.

کلیدواژه ها:

ربات های اجتماعی ، تشخیص ربات ، یادگیری چندوجهی ، گراف های پویا ، شبکه های عصبی گراف زمان مند (TGNNs)