pybotfinder 0.2.5

微博社交机器人检测工具包 - Weibo Social Bot Detection Toolkit

pybotfinder

微博社交机器人检测工具包 - Weibo Social Bot Detection Toolkit

基于随机森林的微博社交机器人检测系统，提供开箱即用的预测功能。

安装

pip install pybotfinder

快速开始 - 预测

Python API

from pybotfinder import BotPredictor

# 初始化预测器（使用包内默认模型）
predictor = BotPredictor(cookie="YOUR_WEIBO_COOKIE")

# 预测单个用户
result = predictor.predict_from_user_id("1042567781")
print(f"预测结果: {result['prediction']['label_name']}")
print(f"机器人得分: {result['prediction']['bot_score']:.4f}")

命令行

pybotfinder-predict --user-id 1042567781 --cookie "YOUR_WEIBO_COOKIE"

预测结果格式

{
    'user_id': '1042567781',
    'prediction': {
        'label': 1,  # 0=人类, 1=机器人
        'label_name': '机器人',  # '人类' 或 '机器人'
        'bot_score': 0.95  # 机器人得分（范围0-1，值越大表示越可能是机器人）
    }
}

返回值说明：

• label: 预测标签，0表示人类，1表示机器人
• label_name: 标签名称，'人类' 或 '机器人'
• bot_score: 机器人得分，是模型预测该账号为机器人的概率值（范围0-1）
  • bot_score 接近1表示模型认为该账号很可能是机器人
  • bot_score 接近0表示模型认为该账号很可能是人类
  • 注意：bot_score 是模型输出的概率值，不是统计意义上的置信区间，应结合具体应用场景理解

训练数据来源

模型基于以下数据训练：

• 机器人样本 (4480个账号ID): 来自 bot.txt，主要为自动化营销账号和少部分LLM驱动的机器人账号
• 人类样本 (4578个账号ID): 来自以下文件：
  • human.txt (2269个): 普通用户账号，通过实时推文中以常用虚词为搜索词采集
  • government.txt (597个): 政府机构账号，通过微博政务榜单采集
  • influencer.txt (931个): 影响者账号，通过微博V影响力榜单采集
  • media.txt (781个): 媒体账号，以"新闻"为关键词搜索相关的认证账号采集

标签分布说明:

• 由于部分账号在数据采集时可能已被封禁、删除或设置为私密，实际成功提取特征并用于训练的样本数可能少于账号ID总数
• 实际成功提取特征的样本总数：约9060个
• 数据集划分：训练集约7248个（80%），测试集1812个（20%）
• 模型训练时会自动过滤无法采集到profile数据的账号

训练特征

模型使用33个特征进行训练，包括：

Profile-level特征 (10个)

1. 昵称特征 (2个):

   • screen_name_length: 昵称长度
   • screen_name_digit_count: 昵称中数字数量

2. 描述特征 (2个):

   • description_length: 描述长度
   • description_has_sensitive_word: 描述中是否包含敏感词（1=是，0=否）

3. 基本统计 (5个):

   • gender_n: 性别（未知=1，其他=0）
   • followers_count: 粉丝数
   • friends_count: 关注数
   • followers_friends_ratio: 粉丝/关注比例
   • statuses_count: 微博总数

4. 视觉特征 (1个):

   • is_default_avatar: 是否使用默认头像（1=是，0=否）

Posts-level特征 (23个)

1. 基本统计 (2个):

   • posts_count: 收集到的帖子数量
   • original_ratio: 原创微博比例

2. 原创内容特征 (6个，保留重要的均值和标准差):

   • avg_text_length_original: 平均文本长度
   • avg_punctuation_count_original: 平均标点符号数
   • std_punctuation_count_original: 标点符号数标准差
   • avg_pic_count_original: 平均图片数
   • avg_video_count_original: 平均视频数
   • std_video_count_original: 视频数标准差

3. 原创互动特征 (6个，均值和标准差):

   • avg_likes_original: 原创微博平均点赞数
   • std_likes_original: 原创微博点赞数标准差
   • avg_reposts_original: 原创微博平均转发数
   • std_reposts_original: 原创微博转发数标准差
   • avg_comments_original: 原创微博平均评论数
   • std_comments_original: 原创微博评论数标准差

4. 时间特征 (5个):

   • avg_post_interval: 平均发帖间隔（秒）
   • std_post_interval: 发帖间隔标准差（秒）
   • peak_hourly_posts: 峰值小时发帖数
   • peak_daily_posts: 峰值日发帖数
   • avg_daily_posts: 平均每天发帖数量

5. 情感特征 (2个，基于SnowNLP，只保留平均值):

   • avg_sentiment_positive: 积极情感平均值
   • avg_sentiment_negative: 消极情感平均值

6. 其他特征 (2个):

   • location_ratio: 包含地理位置的微博比例
   • repost_user_entropy: 转发用户信息熵

模型评估

整体性能

• 准确率 (Accuracy): 98.29%
• 测试集F1分数 (宏平均): 0.9829
• 测试集F1分数 (加权平均): 0.9829

各类别性能

人类 (类别0):

• 精确率 (Precision): 0.9702
• 召回率 (Recall): 0.9967
• F1-score: 0.9833

机器人 (类别1):

• 精确率 (Precision): 0.9966
• 召回率 (Recall): 0.9688
• F1-score: 0.9825

注意事项

1. Cookie获取:

   • Cookie需要从微博网页版获取
   • 访问 https://weibo.com 并登录
   • 打开浏览器开发者工具（F12）
   • 在Network标签中找到任意请求，复制请求头中的Cookie值
   • Cookie格式示例: SUB=xxx; SUBP=xxx; ...
   • Cookie用于访问微博API采集用户数据，请妥善保管

2. 模型文件:

   • 包内已包含训练好的模型文件 (bot_detection_model.pkl)
   • 无需额外下载或训练，安装后即可使用

3. 数据采集:

   • 预测时需要采集用户数据，请确保网络连接正常
   • 采集过程可能需要几秒钟时间
   • 重要：如果用户的profile数据采集失败（账号不存在、被封禁或Cookie无效），预测将返回错误信息，不会进行预测

4. 返回值说明:

   • label: 预测标签，0表示人类，1表示机器人
   • label_name: 标签名称，'人类' 或 '机器人'
   • bot_score: 机器人得分，是模型预测该账号为机器人的概率值（范围0-1）
     • bot_score 接近1表示模型认为该账号很可能是机器人
     • bot_score 接近0表示模型认为该账号很可能是人类
     • 重要提示：bot_score 是模型输出的概率值，不是统计意义上的置信区间或假设检验的p值，应结合具体应用场景理解和使用，避免过度解读

5. 模型评估说明:

   • 模型评估结果只代表在测试集上的表现，不代表真实情境表现

许可证

本项目采用 MIT 许可证。详见 LICENSE 文件。