pybotfinder 0.3.0

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7248个（80%），测试集1812个（20%）

训练特征

模型使用46个特征进行训练，包括：

Profile-level特征 (10个)

特征名称	描述	类型
screen_name_length	昵称长度	数值
screen_name_digit_count	昵称中数字数量	数值
description_length	描述长度	数值
description_has_sensitive_word	描述中是否包含敏感词	二值 (0/1)
gender_n	性别（未知=1，其他=0）	二值 (0/1)
followers_count	粉丝数	数值
friends_count	关注数	数值
followers_friends_ratio	粉丝/关注比例	数值
statuses_count	微博总数	数值
is_default_avatar	是否使用默认头像	二值 (0/1)

Posts-level特征 (36个)

基本统计 (2个)

特征名称	描述	类型
posts_count	收集到的帖子数量	数值
original_ratio	原创微博比例	数值 (0-1)

原创内容特征 (7个)

特征名称	描述	类型
avg_text_length_original	平均文本长度	数值
avg_punctuation_count_original	平均标点符号数	数值
std_punctuation_count_original	标点符号数标准差	数值
avg_pic_count_original	平均图片数	数值
avg_video_count_original	平均视频数	数值
std_video_count_original	视频数标准差	数值
vocabulary_diversity_original	原创内容词汇多样性（unique词语/总词语）	数值 (0-1)

原创互动特征 (6个)

特征名称	描述	类型
avg_likes_original	原创微博平均点赞数	数值
std_likes_original	原创微博点赞数标准差	数值
avg_reposts_original	原创微博平均转发数	数值
std_reposts_original	原创微博转发数标准差	数值
avg_comments_original	原创微博平均评论数	数值
std_comments_original	原创微博评论数标准差	数值

时间特征 (7个)

特征名称	描述	类型
avg_post_interval	平均发帖间隔（秒）	数值
std_post_interval	发帖间隔标准差（秒）	数值
peak_hourly_posts	峰值小时发帖数	数值
peak_daily_posts	峰值日发帖数	数值
avg_daily_posts	平均每天发帖数量	数值
std_daily_posts	每天发帖数量标准差	数值
hour_distribution_mean	24小时分布均值	数值 (0-23)
hour_distribution_std	24小时分布标准差	数值
hour_distribution_kurtosis	24小时分布峰度	数值
hour_distribution_skewness	24小时分布偏度	数值

情感特征 (8个，基于SnowNLP，原创和转发分开计算)

特征名称	描述	类型
avg_sentiment_positive_original	原创帖子积极情感平均值	数值 (0-1)
std_sentiment_positive_original	原创帖子积极情感标准差	数值
avg_sentiment_negative_original	原创帖子消极情感平均值	数值 (0-1)
std_sentiment_negative_original	原创帖子消极情感标准差	数值
avg_sentiment_positive_repost	转发评价积极情感平均值	数值 (0-1)
std_sentiment_positive_repost	转发评价积极情感标准差	数值
avg_sentiment_negative_repost	转发评价消极情感平均值	数值 (0-1)
std_sentiment_negative_repost	转发评价消极情感标准差	数值

其他特征 (3个)

特征名称	描述	类型
location_ratio	包含地理位置的微博比例	数值 (0-1)
repost_user_entropy	转发用户信息熵	数值
vocabulary_diversity_repost	转发评价词汇多样性（unique词语/总词语）	数值 (0-1)

模型评估

整体性能

指标	数值
准确率 (Accuracy)	98.29%
交叉验证F1分数	0.9732 (±0.0030)
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

类别	精确率 (Precision)	召回率 (Recall)	F1-score
人类 (类别0)	0.9702	0.9967	0.9833
机器人 (类别1)	0.9966	0.9688	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（仅限非商业用途）。详见 LICENSE 文件。

重要提示：

• 本软件仅限非商业用途使用
• 禁止商业使用，包括但不限于在商业产品、服务中使用或用于商业盈利
• 如需商业使用，请联系作者获取授权：[e-mail]