Original title: Detekce falešných účtů na sociálních sítích
Translated title: Detection of fake accounts on social networks
Authors: Žáček, Patrik ; Šalko, Milan (referee) ; Firc, Anton (advisor)
Document type: Bachelor's theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Platformy sociálních sítí přitahují automatizované boty, kteří manipulují veřejným míněním a šíří dezinformace. Moderní boti využívají jazykové modely ke generování přirozeného textu, čímž snižují účinnost tradiční detekce. Tato práce představuje hybridní multimodální systém detekce, který kombinuje analýzu profilových metadat, sémantiku příspěvků a temporální vzorce aktivity. Větev metadat využívá stromové modely, větev obsahu pokročilé jazykové modely a temporální větev sekvenční neuronové sítě. Metaklasifikátor následně slučuje jejich výstupy. Systém byl vyhodnocen na náročném datasetu TwiBot-22, kde navržený dvoumodální ensemble dosahuje přesnosti 77,55 %, F1 skóre 54,86 % a MCC 0,418. Překonává tak tradiční nástroje i čistě textové modely a přibližuje se výkonu grafových sítí, aniž by při inferenci vyžadoval rozsáhlá grafová data. Živá klasifikace v reálném čase potvrzuje, že multimodální fúze zvyšuje robustnost detekce a umožňuje efektivní analýzu izolovaných účtů. Social media platforms attract automated bots that manipulate public opinion and spread misinformation. Modern bots utilize language models to generate human-like text, rendering traditional detection methods less effective. This thesis introduces a hybrid multi-modal detection system combining profile metadata analysis, tweet semantics, and temporal activity patterns. The metadata branch uses tree-based models, the content branch employs advanced language models, and the temporal branch utilizes sequential neural networks. A meta-classifier then fuses their outputs. Evaluated on the challenging TwiBot-22 dataset, the proposed dual-modal ensemble achieves an accuracy of 77.55%, an F1-score of 54.86%, and an MCC of 0.418. It outperforms legacy tools and text-only models, rivaling graph neural networks without requiring extensive graph data at inference time. Real-time deployment confirms that multi-modal fusion enhances detection robustness and enables the efficient analysis of isolated accounts.
Keywords: Bezpečnost sociálních sítí; Detekce botů; Falešné účty; NLP; Strojové učení; Bot Detection; Fake Accounts; Machine Learning; NLP; Social Media Security

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/259306

Permalink: http://www.nusl.cz/ntk/nusl-777523


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses