在社交媒体网络上，信息操作（IO）被认为对民主和现代社会构成了重大威胁，但人类检测成本高且复杂。现有的监督IO检测方法未能捕捉到IO用户行为的动态特性，而现有的无监督方法则依赖于对IO用户之间协调的过于简化的假设，这在实际中可能并不存在。
为克服这些方法的局限性，我们将IO用户检测形式化为异常检测问题，并提出了一种新颖的无监督IO用户检测方法，称为信息操作识别的时间行为语言信号（TENSOR）。
TENSOR利用多模态数据，包括用户的时间在线行为（如消息发布活动）和消息的文本内容。我们的动机在于，IO用户通常是所有在线用户中的极小部分，并且具有独特的时间行为和语言模式。
具体而言，我们训练了一个时间点过程（TPP）以捕捉IO用户的异常时间行为模式，因为他们在IO活动中通常表现出协调的行为。
我们进一步引入了一种新颖的证据函数，将用户发布时间线生成的LLM响应转换为定量分数，以调整TPP输出，从而更好地检测IO用户。实验结果表明，TENSOR在五个真实世界的IO数据集上优于基线方法。代码可在 GitHub 上获取。
博主点评： TENSOR方法通过多模态数据结合时间序列分析，为信息操作用户的检测提供了创新的解决方案。它不仅提升了检测的准确性，还为未来的研究指明了方向，值得在其他领域进行类似的尝试。