TwiBot-20|社交网络分析数据集|机器人检测数据集

TwiBot-20是由西安交通大学创建的大规模Twitter机器人检测基准数据集，包含229,573个用户，33,488,192条推文，8,723,736个用户属性项和455,958个关注关系。该数据集通过广度优先搜索从不同主题的大量种子用户开始，遍历关注关系，确保用户在地理位置和兴趣领域上的多样性，更好地代表当前的Twitter环境。TwiBot-20包括三种用户信息模式，支持单用户二元分类和社区感知方法。数据集的应用领域主要集中在Twitter机器人检测，旨在解决在线社交平台上的机器人滥用问题，提高在线讨论的完整性。

AI搜集汇总

数据集介绍

构建方式

TwiBot-20数据集的构建始于从不同主题领域的大量种子用户开始，采用广度优先搜索（BFS）策略遍历关注关系。这一过程涵盖了用户在地理和兴趣领域的多样性，使得TwiBot-20更具代表性地反映了当前的Twitter环境。数据集的收集包括从Twitter API检索用户的语义、属性和邻域信息，以及通过众包进行的数据标注，确保了标注的可靠性和准确性。

特点

TwiBot-20数据集的特点在于其规模庞大、用户信息多样性和数据标注的可靠性。它包含了229,573个用户、33,488,192条推文、8,723,736个用户属性项和455,958个关注关系，是目前最大的Twitter机器人检测基准。此外，TwiBot-20是首个公开的包含用户关注关系的机器人检测数据集，为社区感知方法提供了支持。

使用方法

使用TwiBot-20数据集时，首先应从其GitHub仓库下载所需的数据文件，包括训练集、验证集、测试集和支持集。数据文件以JSON格式组织，每个用户都包含用户ID和从Twitter API收集的所有语义、属性和邻域信息。研究人员可以根据需要使用这些数据进行训练、验证和测试机器人检测模型，以及探索半监督学习等新型研究趋势。

背景与挑战

背景概述

在社交媒体时代，Twitter作为重要的社交平台，其上存在大量恶意Twitter机器人，这些机器人对社交网络造成不良影响。为了有效地检测这些机器人，研究人员需要大规模的数据集进行训练和评估。然而，现有的数据集往往存在用户多样性低、用户信息有限和数据稀缺等问题，这限制了机器人检测方法的训练和稳定评估。为了解决这些问题，Feng等人于2020年7月至9月期间收集并标注了TwiBot-20数据集，这是一个包含229,573个用户、33,488,192条推文、8,723,736个用户属性项和455,958个关注关系的Twitter机器人检测基准数据集。TwiBot-20涵盖了多样化的机器人和真实用户，以更好地代表现实世界的Twitter领域。此外，TwiBot-20还包括三种用户信息模式，即语义信息、属性信息和邻居信息，以支持对单个用户的二分类和社区感知方法。据我们所知，TwiBot-20是目前最大的Twitter机器人检测基准数据集。研究人员在TwiBot-20和其他两个公共数据集上重新实现了竞争性的机器人检测方法，并进行了彻底的评估。实验结果表明，现有的机器人检测方法在TwiBot-20上的表现未能达到其先前宣称的性能，这表明Twitter机器人检测仍然是一个具有挑战性的任务，需要进一步的研究努力。

当前挑战

TwiBot-20数据集面临的主要挑战包括： 1) 用户多样性：现有的机器人检测数据集通常只关注特定类型或用户群，无法捕捉到真实Twitter领域中并存的多样化机器人。 2) 有限的用户信息：Twitter用户拥有语义、属性和邻居信息，而现有的基准数据集只包括少量多模态用户信息，缺乏全面性。 3) 数据稀缺：先前的小规模数据集不足以训练和稳定评估新的机器人检测方法，阻碍了新方法的发展。TwiBot-20数据集旨在通过其大规模的用户群体、全面的用户信息和多样化的用户类型来缓解这些问题。然而，机器人检测仍然是一个具有挑战性的任务，需要进一步的研究努力。

常用场景

经典使用场景

TwiBot-20数据集被广泛用于社交媒体机器人检测的研究中，特别是在Twitter平台上。该数据集包含了大量真实用户和机器人的信息，包括语义、属性和邻居信息，为研究者提供了丰富的数据资源，以训练和评估机器人检测算法的性能。TwiBot-20数据集的经典使用场景包括：1. 机器学习模型的训练和评估：研究者可以利用TwiBot-20数据集中的用户信息来训练各种机器学习模型，如随机森林、深度神经网络等，以提高机器人检测的准确性和鲁棒性。2. 特征工程和选择：研究者可以基于TwiBot-20数据集，探索和设计新的特征，以更好地描述用户行为和机器人特征，从而提高机器人检测的性能。3. 社区感知方法的研究：TwiBot-20数据集包含了用户的邻居信息，使得研究者可以采用社区感知方法，如图神经网络等，来分析用户之间的关系，并识别机器人群体。

衍生相关工作

TwiBot-20数据集的提出衍生了一系列相关的经典工作。首先，研究者利用TwiBot-20数据集，探索和设计了新的特征和模型，以提高机器人检测的性能。例如，一些研究者提出了基于深度学习的机器人检测模型，如循环神经网络（RNN）、卷积神经网络（CNN）等，以更好地处理语义和属性信息。其次，研究者利用TwiBot-20数据集，研究了社区感知方法在机器人检测中的应用，如图神经网络（GNN）等，以更好地分析用户之间的关系，并识别机器人群体。最后，研究者利用TwiBot-20数据集，研究了半监督学习和无监督学习在机器人检测中的应用，以提高机器人检测的效率和鲁棒性。

数据集最近研究

最新研究方向

TwiBot-20数据集的研究方向主要集中在社交媒体中Twitter机器人检测的挑战上。该数据集通过收集和标注大量Twitter用户信息，旨在解决现有数据集在用户多样性、用户信息完整性和数据稀缺性方面的不足。TwiBot-20包含了229,573个用户、33,488,192条推文、8,723,736个用户属性项和455,958个关注关系，覆盖了多样化的机器人和真实用户，更好地代表了现实世界的Twitter环境。此外，TwiBot-20还包括三种用户信息模式，支持单用户二元分类和社区感知方法。实验结果表明，现有的机器人检测方法在TwiBot-20上的表现不如之前宣称的性能，这表明Twitter机器人检测仍然是一个具有挑战性的任务，需要进一步的研究努力。

相关研究论文

• TwiBot-20: A Comprehensive Twitter Bot Detection Benchmark

  西安交通大学 · 2021年