賬戶數據本身的可分析性是分析算法的基礎。通過分析數據特征來為建模做準備。賬戶數據特征通常分為活動行為特征，社團特征，發文特征、語法語義特征、時空特征等：

1. 活動特征：發文數量，發文被回復的比例，連續發文的平均時間間隔，用戶在站點的發文級別，本站點首發的天數，通過發文回復關系得出的聚集系數和互惠性，兩人之間在一個共同討論中的次數。

2. 社團特征：對普通用戶的差評比例，被舉報的比例，被刪比例，被限制比例。
3. 發文特征：文本作者，虛假寫作樣式，釣魚內容，惡作劇內容，故意搗亂內容，

是否短句，是否罵人，是否第一人稱，字符數量，平均單詞長度，平均音節數，大句子數量，自動易讀指數ARI，語言探索與字詞計數LIWC特征的不同目錄數。

4. 詞法特征：此法是否和自動語言生成程序如Eliza類似，平均的hashtag數量，用戶@數量，鏈接數，特殊字符數。是否有地理信息，標點符號和鏈接的比例。

5. 語義特征：平均情緒分數，反駁排序度量值（Contradiction Rank），負面情緒長度，高頻主題，所用語言數量，情緒不連續度

6. 時態行為特征：用戶情緒隨時間是否來回自相矛盾，用戶情緒的變動情況方差，互相交流時間分布的熵，發文時間的可預測性，每日發文數量，失去粉絲的比例，信噪比。

7. 用戶概況特征：是否有圖，是否綁定主頁URL, 用戶名是否看起來是自動生成的，發文回復@的數量，粉絲數量，賬號和此人其他途徑網站賬號互相綁定的數量。GPS可定位性，是否在黑名單出現過。

8. 網絡特征：用戶情感與他關注的人以及粉絲的情緒分值的平均差，平均轉發數量，出度和入度中心度，平均聚集系數，Pagerank中心度和相互中心度，用戶網絡是否呈星型或團結構，用戶關注人是已知機器人賬號的數量，用戶所屬網絡中存在機器人賬號的數量和比例。

參考文獻：
1. Srijan Kumar, Justin Cheng, Jure Leskovec, V.S. Subrahmanian. "An Army of Me: Sockpuppets in Online Discussion Communities." WWW, 2017 – 26th International World Wide Web Conference, 2017
2. V.S. Subrahmanian, Amos Azaria, Skylar Durst, Vadim Kagan et al. " The DARPA Twitter Bot Challenge" Computer 49 (6), 38-46. IEEE, 2016

總結

以上是生活随笔為你收集整理的bot机器人账号八大类特征分析---识别问题账号的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。