第一章 引言
伴随着互联网技术的迅速发展，社交网络平台已经成为现代社会信息传播和人际互动的主要渠道，用户数量呈指数级增长，数据形式也越来越复杂。但是开放性和互联性在带来便利的同时，也给各种网络异常行为提供了滋生的土壤，虚假谣言传播、恶意账号注册、垃圾广告骚扰等行为时常发生。不但会对用户的正常使用造成影响，还会扰乱社区的生态环境，甚至会对网络空间安全和社会稳定造成威胁。因此，怎样在大量的、高维的多模态数据当中准确、快速地找出异常行为，就成为目前网络安全领域急需解决的重要问题。传统的检测方法依靠人工设计特征或者单维数据分析，对于越来越隐蔽、复杂的攻击手段来说，很难找到深层次的联系，准确率低、泛化能力差。为了解决上述问题，用图神经网络和多模态数据融合技术来突破瓶颈是必然的趋势[1]。该技术用图结构来建模社交网络中节点之间复杂的关系，利用文本、图像等各方面的互补信息，可以从更深的层次上挖掘出异常行为的模式。本文主要是用图神经网络和多模态融合的方式来建立检测模型，改进现有的异常识别方式，提高检测算法的鲁棒性和实时性，给净化社交网络环境提供强有力的技术支持和实践依据。
第二章 基于图神经网络与多模态数据融合的社交网络异常行为检测算法体系构建与验证
2.1 相关基础概念与国内外研究进展梳理
2.1.1 社交网络多模态数据的范畴界定与异常行为的类型划分
社交网络多模态数据是本文算法模型建立的基础输入，它的范围界定直接影响到特征提取的广度和深度。本文把多模态数据分成以下几个主要方面，即用户发布的文本内容和音视频素材，这是表达意图的直接载体，包含语义情感和视觉特征，账号属性画像，注册时长、认证状态等静态特征，互动行为日志，点赞、转发等动态轨迹，社交关系链路，用户之间关注拓扑结构。在实际使用中，正确确定上述数据维度可以对用户的行为模式有一个全面的认识，防止由于信息不全而造成误判。同时根据目前主流社交平台的复杂生态，本文把异常行为分为虚假营销、刷量控评、恶意引流和账号盗号欺诈这四种。不同种类的异常行为在多模态数据上存在着明显的差别，虚假营销一般表现为高频的文本发布和一些特定的视觉符号相结合，刷量控评主要是互动日志的时间分布异常以及关系链路的趋同性，恶意引流常常伴随着账号属性的伪装特征，盗号欺诈则表现为行为轨迹的突然改变。确定出这个分类体系以及各个类别之间的差别之后，可以给后面的数据预处理环节赋予一个统一的标准，保证算法的设计有明确的目标方向，进而提高检测模型在实际应用中落地的效果和鲁棒性。
2.1.2 图神经网络在结构化社交关系建模领域的国内外研究现状
图神经网络在结构化社交关系建模方面的研究，主要是用图的拓扑结构来挖掘用户之间深层次的联系。该技术把高维、非规则的社交网络数据转化成低维稠密的向量表示，从而达到对复杂网络结构进行量化的目的。一般按照定义图拓扑、建立采样策略、设计消息传递机制和更新节点表征的常规步骤来完成对用户行为模式的准确刻画以及提高网络分析的精度。
回顾国内外研究演进脉络，早期研究主要集中在基于图卷积网络的半监督社交节点分类上，这类方法依靠局部平滑假设，很好地提取出了社交圈层的结构特征，适合于同质化明显的静态社交场景。随着研究的深入，图注意力网络被用来区分邻居节点的重要性不同，大大提高了模型对关键社交关系的捕捉能力，在影响力预测等任务中表现很好。对于社交网络里存在用户、帖子等多种类型的实体，异质图神经网络把建模粒度细化到可以处理复杂对象关系的程度。另外，由于社交互动是随时间变化的，所以时序图神经网络用时间来体现动态的社交网络演化规律。虽然上述方案在单一结构建模上取得了初步的成果，但是现有的研究大多忽略了社交网络中丰富的多模态异构信息，在处理长尾分布的稀疏关联节点的时候，表征能力还比较弱。为之后创建融合多种特征的图神经网络结构给予了清晰的改良参照和研究支撑。
2.1.3 多模态数据融合应用于异常检测的现有技术路径与局限分析
多模态数据融合技术是提高异常检测系统鲁棒性的重要方法，它的技术路线大体上可以分为三个阶段，即早期像素级融合直接将原始数据合并起来，虽然保留了信息的完整性，但是由于数据噪声大、计算负荷高而逐渐被淘汰；特征级融合通过提取各个模态的特征向量并进行拼接，在平衡信息量和计算效率方面表现更好，是目前主流的方案；决策层融合主要是对单模态分类结果进行投票或者加权，虽然灵活但是丢失了底层的细粒度联系。但是，在社交网络异常检测这个细分领域里，现有的技术路径存在着明显的不足。首先，图像、文本等模态的采样率和特征维度相差很大，造成特征对齐时有较大的误差；其次，不同的模态之间存在着语义鸿沟，无法消除，比如文本情感和图像内容存在语义上的冲突，传统的融合方式不能很好地识别出这种矛盾；最后，简单的特征拼接容易造成高维冗余信息的出现，从而影响到重要的异常特征的提取，进而降低检测精度。由于存在上述的技术缺陷，急需加入注意力机制等优化措施来达到跨模态信息精确对齐、语义互相补充的目的，为之后建立高效自研融合机制提供方向。
2.2 面向社交网络场景的多模态图神经网络异常检测算法设计
2.2.1 社交网络多模态数据的特征对齐与预处理模块构建
社交网络异常行为检测算法实际应用时，创建起有效的多模态数据特征对齐和预处理模块，是保证模型性能的基本条件。该模块的主要目的就是把来源不同、格式各异的原始数据转换成图神经网络可以直接处理的高质量标准化输入。首先对文本模态数据进行词向量编码，把自然语言变成数值表示，再用停用词过滤掉无效噪声，提高语义特征的纯度。对图像、音视频等非结构化数据使用预训练模型做深层次的特征提取，再用降维算法去除冗余信息，保留重要的视觉和听觉特征，减小计算量。同时对结构化的属性、关系模态做归一化编码处理，消除数据量纲不同的影响。在此基础上，模块主要设计了不同模态特征之间的维度映射和语义对齐规则，用统一特征维度来解决不同模态数据空间异质性的问题，保证跨模态信息在语义上一致。另外，对于缺失值和噪声数据也制定了清洗补全的方法，尽量恢复数据的真实分布。这一系列的过程很好地保证了输入数据的完整性、规范性，给后面图神经网络建模打下了良好的基础，大大提高了模型训练的收敛速度以及特征的有效性。
2.2.2 融合局部关系权重与全局传播特征的图神经网络架构设计
本节主要对融合局部关系权重和全局传播特征的图神经网络架构的总体设计思想进行详细的阐述。该架构主要由输入层、多层图卷积隐藏层和全局传播感知层组成，用多层级计算来实现对社交网络异常行为的准确识别。模型根据节点之间互动的频率以及互动的行为类型，利用注意力机制来动态地计算出每一个社交边的局部关系权重，从而加强对高价值社交关系的重视程度，使得模型可以应对复杂的、多变的社交网络拓扑结构。为了克服传统图神经网络只能捕捉一阶邻域信息，不能反映异常行为在节点之间传播的特性，在架构上专门加入了随机游走路径编码模块作为全局传播感知层。本模块用节点在图中随机游走的路径来产生序列化的游走轨迹编码，从而很好地捕捉到异常行为在社交网络里深层次的全局传播特性。数学上输入层节点特征被初始化映射之后，就会经过多层图卷积运算来聚集局部邻居的信息，然后再同全局传播特征融合起来。各层计算都采用线性变换和非线性激活的规则，参数用Xavier初始化来保证梯度传播的稳定。该种设计既保持了对于局部微观关系的敏感感知，又克服了对于全局宏观传播模式的识别盲区，明显改善了模型在复杂环境下的异常检测能力。
2.2.3 跨模态特征注意力融合机制与异常行为分类输出层设计
跨模态特征注意力融合机制就是解决不同模态数据之间语义冲突、信息互补的问题。该机制用注意力权重计算逻辑来使得模型可以在训练过程中自主学习，并且可以动态地分配文本、图像以及结构拓扑这些不同的模态特征的贡献度权重。算法使用全连接层和Softmax归一化来把原始特征转换成权重系数，从而实现对关键模态信息的聚焦，并且会自动抑制或者剔除无关冗余的模态特征，防止噪声干扰，保证融合后的多模态图表征向量可以准确地反映用户的行为状态。
得到高质量的融合特征之后，算法就进入到异常行为分类输出层的设计阶段。该层首先用Sigmoid或者Softmax激活函数把高维特征向量映射成各种异常行为的概率分布。由于社交网络中异常样本数量少而造成的类别不平衡问题，在本设计中采用了一种定制化的损失函数，即根据样本类别的加权交叉熵损失。该策略给稀少异常样本赋予了较大的损失权重，使得模型在反向传播的时候更加重视难分类的异常样本，进而有效地克服了模型偏向多数类的缺点，明显提高了算法对于真实场景中异常行为的识别准确度和鲁棒性。
2.3 算法性能对比实验与结果验证分析
2.3.1 公开社交网络多模态数据集与自定义异常标注子集的构建
本实验所用的社交网络多模态数据集是公开的，该数据集来自于学术界常用的基准数据平台，包含数百万个用户节点以及它们之间的交互关系。数据有文本、图像和拓扑结构这三种模态类型，原有的标注信息只给出了用户的类别属性。为了满足本研究对于异常行为检测的要求，在上面的基础上建立了自定义异常标注子集。构建规则采用数据驱动和领域知识相结合的方式，一方面依靠人工筛选补充标注了一些可能的违规用户，另一方面利用注入模拟的稀疏异常关系样本来模拟隐蔽性强的异常交互模式，以此来解决公开数据集中异常样本少、分布不均的问题。标注完毕后按照严格的时间先后顺序以及比例来划分数据集，把训练集、验证集和测试集的比例设为7份、2份和1份，保证模型训练和评价的独立性。就评价体系而言，给出精确率、召回率、F1值、AUC值等主要指标的定义及计算方法。精确率是预测出异常的样本中真正异常的比例，召回率是所有真实异常被正确检测出来的比例，F1值是两者的调和平均数，AUC值用来评价模型在各个阈值下的综合分类性能。该套数据集构建流程以及评价标准的确定，保证后面比较实验有着公开可重复的数据基础和科学依据。
2.3.2 不同基线算法与所提算法的检测精度、运行效率对比测试
为了全面检验所提算法的有效性和先进性，本节实验选取了三种具有代表性的基线算法进行横向比较。选型依据有基于传统内容特征的机器学习算法、只用图结构的图神经网络算法和用常规拼接融合策略的多模态算法。所有的对比实验都在相同的硬件环境以及数据集划分规则下开展，主要对检测精度和运行效率这两个主要指标进行考察。测试结果表明，所提算法在精度和效率方面都有明显的优势。传统算法由于特征表达单一，不能很好地捕捉到复杂的异常模式；纯图神经网络算法虽然利用了拓扑结构，但是忽略了内容属性；常规拼接策略算法没有很好地解决异构数据深层次的交互问题。所提算法把图结构特征同多模态内容特征融合起来之后，对于各种异常行为的识别精度有了明显的提高。从定量的角度来看，自研算法的准确率比基线模型要高很多，在运行时间和内存占用等各方面也进行了优化，达到了高精度和低开销的效果，很好地证明了该算法在实际的社交网络异常检测场景中具有很高的应用价值和技术优势。
2.3.3 极端稀疏关系场景下的算法鲁棒性验证与结果解读
极端稀疏关系场景在社交网络中很常见，大量的新注册账号或者低活跃用户产生的交互连接很少，造成网络图结构数据严重缺失，给传统的依靠拓扑结构的算法带来了很大的困难。为了检验算法对于复杂环境的适应情况，实验逐渐减小测试集中节点的平均社交边密度，从而得到多组梯度化的稀疏关系测试子集。在此期间，把自研算法同主流对比基线算法在不同的稀疏度条件下检测性能的变化趋势展开横向比较，并用折线图来直观地表现实验结果。经过分析可知，由于网络连接越来越稀疏，传统的基线算法因为需要依靠图结构信息来进行检测，所以它的检测精度呈下降趋势，而自研算法却表现出很强的鲁棒性，在边密度很低的时候仍然可以保持较高的检测精度。其根本原因就是本算法使用了多模态数据融合技术，可以利用文本、图像等属性特征来补全缺失的拓扑关系，克服了单一结构特征的局限性。该结果很好地证明了，该算法对于实际社交网络中数据稀疏等复杂情况具有很好的泛化能力和鲁棒性。
第三章 结论
本文主要研究社交网络中越来越复杂、隐蔽的异常行为检测问题，主要用图神经网络和多模态数据融合的方法进行研究。通过系统的分析可知，用图结构数据来捕捉节点之间的复杂关系是可行的，并且融合文本、图像等多模态特征可以明显提高检测系统的鲁棒性和准确性。在核心算法的设计上，使用图卷积神经网络对社交网络的拓扑结构进行特征提取，用注意力机制对多模态异构的数据进行加权融合，从而解决了单个数据源信息缺失的问题。实验结果表明，该方法在准确率、召回率和F1值等主要指标上都比传统的基准模型好，可以有效地降低虚假账号识别和恶意舆情传播的漏报率。该研究一方面充实了社交网络分析的方法体系，另一方面也有着十分重要的应用价值。为社交平台管理者赋予了一种标准化的异常行为监测技术途径，可以帮助运维人员及时察觉并处置网络欺诈、垃圾广告发布等违规行为，对保障网络空间安全、净化社区生态环境有着十分重要的实践意义和应用前景。
参考文献
\[1\]洪波, 张西娜, 彭鑫. 基于图神经网络的短视频多模态数据融合与事件检测研究[J]. 质量与市场, 2025(5): 75-77.