随着互联网的飞速发展,在线上社交网站冲浪已经成为人们生活方式的一部分。但是,异常用户在社交网络散布虚假消息、盗取用户信息、控制舆论导向等种种恶意行为也给社交网络的正常用户、平台管理方乃至社会秩序带来了巨大的威胁。因此,对于社交网络异常用户的检测成为了网络信息安全领域的重要研究课题。目前,社交网络异常用户检测主要面临用户数据总量庞大,异常用户行为模式不断变化,没有标准的异常衡量方法等因素导致的数据标注较为困难的问题。在只能获取到少量标准数据的场景下,已有的监督学习方法由于训练数据的不完整性使得检测模型在实际应用过程中具有很大的局限性。已有的无监督学习方法虽然避免了对大量标准数据的依赖,达到了异常用户检测的目的,但是由于在准确率和F1分数等性能方面与监督学习仍然有相当大的差距,同样无法被实际应用起来。为了解决上述难题,本文结合了监督学习和无监督学习的思想,主要研究协同利用未标注数据集与带标签数据集的半监督学习异常用户检测技术方案。本文的研究工作主要由以下两个部分组成:第一部分是特征学习。在特征学习阶段,所有社交网络用户数据(包括未标注数据集与带标签数据集)都会被输入到无监督学习模型中提取关键特征。这么做的优势在于既保证了模型学习到的数据特征的完整性,又大幅度降低了由于数据高维稀疏导致的高计算复杂度。第二部分是类别推理。在类别推理阶段,只有带标签的数据会被输入到前馈神经网络中进行训练,因此模型可以通过反向传播进行网络参数的更新,并以此得到高效的异常用户检测器。作者还将本文中基于半监督学习的社交网络异常用户检测模型在公开数据集上进行了实验。在半监督学习实验环境下,模型准确率达到90.3%,F1分数达到0.904;在监督学习实验环境下,模型准确率达到了94.9%,F1分数达到了0.949,都优于同类的异常用户检测模型。最后,作者应用本文提出的社交网络异常用户检测方案,实现了一个基础的在线社交网络异常用户检测系统。