随着互联网的发展,在线社交网络早已经成为了我们生活中十分重要的一部分。它的出现,不仅让我们的交流与沟通变得越来越便捷,也使我们的生活变得越来越丰富。但是,在线社交网络同时也给社交垃圾用户提供了传播恶意信息和链接的平台。据2013年的一项有效研究指出,大约每200条社交消息中就有1条是社交垃圾用户传播的恶意信息或链接。通过研究,我们发现现有的大多数识别社交垃圾用户的检测方法主要是通过分析和提取用户的行为信息来学习分类模型。但是,由于信息安全和个人隐私等问题,在线社交网站无法监控用户的所有行为。故而,我们从社交网站中获取的用户的行为信息是不够全面的。此外,我们还发现社交垃圾用户为了能更好地躲避系统的检测也在不断地进行自我改变和升级。他们通过使用具有多样的、可变性的社交垃圾用户策略来将自己伪装成合法用户,以企图避免自身被检测系统发现。这使得现有的检测方法很难仅利用用户本身的行为信息将社交垃圾用户与合法用户区分开。为了解决这一挑战,在本文中,我们提出利用一种新颖的、基于图的分类模型,即扩散卷积神经网络模型,来对社交垃圾用户进行检测。和其他检测方法的不同之处在于,扩散卷积神经网络模型可以通过图结构(即社交网络关系)从其他用户那里学习行为信息,并将其用于识别社交垃圾用户。但是,原始的扩散卷积神经网络模型是一个具有通用性的分类模型。为了使原始的扩散卷积神经网络模型能更有效地识别社交垃圾用户,我们使用信息衰减系数和社交规则对其进行了修改,并将修改后的模型命名为DCNN+CR。最后,通过使用从Twitter中获取的真实数据集进行实验而得到的实验结果表明,我们所提出的DCNN+CR模型不仅优于原始的扩散卷积神经网络模型,也优于现有的垃圾用户的检测方法,特别是在准确性和F1-score方面。