https://virgool.io/feed/@hosseinraya دانشجوی کارشناسی ارشد هوش مصنوعی _ فعال در زمینه‌های هوش مصنوعی، شبکه‌های اجتماعی، ربات‌های اجتماعی و بلاک‌چین fa 2026-06-10 14:05:31 https://files.virgool.io/upload/users/1646827/avatar/2nasF1.jpeg?height=120&width=120 https://virgool.io/@hosseinraya https://virgool.io/TuringLab/%D8%A8%D9%87%DB%8C%D9%86%D9%87-%D8%B3%D8%A7%D8%B2%DB%8C-%D8%A7%D8%B2%D8%AF%D8%AD%D8%A7%D9%85-%D8%B0%D8%B1%D8%A7%D8%AA-%D8%AF%D8%B1-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%AA%D9%82%D9%88%DB%8C%D8%AA%DB%8C-%D8%B9%D9%85%DB%8C%D9%82-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%B4%D9%86%D8%A7%D8%B3%D8%A7%DB%8C%DB%8C-%D8%B1%D8%A8%D8%A7%D8%AA-%D9%87%D8%A7%DB%8C-%D9%87%D8%B1%D8%B2%D9%86%D8%A7%D9%85%D9%87-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-%D9%88-%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%A7%D9%86-%D8%AA%D8%A3%D8%AB%DB%8C%D8%B1%DA%AF%D8%B0%D8%A7%D8%B1-%D8%A8%D8%B1-%D9%87%D8%B1%D8%B2%D9%86%D8%A7%D9%85%D9%87-%D8%AF%D8%B1-%D8%B4%D8%A8%DA%A9%D9%87-%D8%AA%D9%88%DB%8C%DB%8C%D8%AA%D8%B1-wtrfmklwdvu2 ر شبکه‌های اجتماعی انواع مختلفی از ربات‌های اجتماعی وجود دارند. این ربات‌ها با توجه به نوع هدف آن‌ها تقسیم به دو دسته ربات‌های مخرب که اعمالی مخرب مانند پخش بدافزار، حساب‌های جعلی و غیره دارند؛ دسته دیگر ربات‌هایی با هدف مفید مانند ربات‌های بروزرسان اخبار می‌باشند. روش‌های مختلفی وجود دارد که می‌تواند ربات‌ها را تشخیص دهند. روش‌های شناسایی زیادی وجود دارد از جمله جمع سپاری، مبتنی برساختار، مبتنی بر یادگیری ماشین و شبکه‌های عصبی و غیره. در یادگیری عمیق یک رویکرد چند زبانه است که می‌تواند حساب‌های مشکوک و ربات‌های اجتماعی توییتر را بر اساس مجموعه‌ای از ویژگی‌های مستقل از زبان حساب، بهتر شناسایی کند. برای همین ربات‌ها با دستکاری مجموعه آموزشی خود باعث جلوگیری از شناسایی می‌شوند. بنابراین ممکن است شناسایی و دسته‌بندی ربات‌ها دچار مشکل بشود و دقت این شناسایی پایین بیاید و این مسئله چالش برانگیز است.در این پژوهش برای شناسایی ربات‌ها از روش یادگیری تقویتی عمیق Qاستفاده می‌شود. برای دقیق‌تر شدن این شناسایی روش یادگیری تقویتی عمیق را با الگوریتم تکاملی بهینه‌سازی ازدحام ذرات یا PSO ترکیب می‌شود. در PSO، ویژگی‌های زمانی (مانند میانگین تعداد توییت‌های ارسال شده در روز، طولانی‌ترین زمان جلسه کاربر، و درصد کاهش فالوور) را می‌توان برای دستیابی به عملکرد بهینه تنظیم کرد. دلیل استفاده از الگوریتم بهینه‌سازی ازدحام ذرات حداکثر رساندن دقت تشخیص ربات‌های اجتماعی و به حداقل رساندن توالی اقدامات یادگیری به منظور رسیدن به یک حالت هدف با سرعت بالاتر با تعداد تکرار کمتر می‌باشد.این پژوهش روی شناسایی ربات‌های اجتماعی مخرب با ویژگی‌های زمانی کاربر در شبکه توییتر بر اساس الگوریتم DRL با PSO تمرکز می‌کند؛ همچنین الگوریتم یادگیری تقویتی را برای شناسایی دقیق ربات‌های اجتماعی مخرب ارائه می‌شود. همچنین شناسایی تاثیرگذارترین کاربر هم دچار مسئله می‌باشد. به این منظور که کاربرانی که تحت تاثیر ربات‌های اجتماعی هستند را شناسایی کرده؛ زیر میزان نفوذ محتوای مخرب به خاطر تعداد زیاد تعاملات کاربر و جوامع با این ربات‌ها می‌باشد.این پژوهش برای حل این مسائل اهداف زیر را دنبال می‌کند:الف) طراحی یک تکنیک بهینه‌سازی فرا ابتکاری با مدل DQL با در نظر گرفتن بردار حالت با توالی عملکرد بهینه به منظور شناسایی دقیق ربات‌های اجتماعی مخرب در شبکه توییترب) به حداقل رساندن تاثیر انتشار محتوای مخرب و شناسایی جوامع تاثیرگذار در شبکه توییترحال سوال پیش می‌آید که این مسئله چرا در شبکه توییتر مورد بحث قرار گرفته است؛ به دلیل اینکه دقت و صحت اطلاعات، شناسایی ربات‌های مخرب و کاهش تاثیر آن‌ها و همچنین کاهش تاثیر منفی نتشار محتوای مخرب کار مهمی می‌باشد.راه حل برای حل این مسئله یک الگوریتم یادگیری عمیق Q مبتنی بر بهینه‌سازی ازدحام ذرات برای شناسایی ربات‌های اجتماعی با ادغام PSOبا تابع Q-value پیاده‌سازی شده است. علاوه بر این، یک الگوریتم SIU-ICD یا تشخیص جامعه تأثیرگذار برای کاهش انتشار محتوای هرز از طریق جوامع در شبکه توییتر پیشنهاد شده است.در الگوریتم یادگیری عمیق Q (P-DQL) استراتژی موجود می‌باشد که با آن مقدار Q (Q-value)را در هر تکرار بروز رسانی می‌کند. استراتژی بروزرسانی با الگوریتم ازدحام ذرات می‌توان این طور تعریف کرد که با درنظر گرفتن ویژگی‌های مبتنی بر پروفایل کاربر در شبکه اجتماعی توییتر برای شناسایی ربات‌ها بهره برد. به همین دلیل پیشرفت ربات‌های اجتماعی برای جلوگیری از شناسایی ویژگی‌های مبتنی بر پروفایل خود را دستکاری کرده‌اند. بنابراین یک الگوریتم مبتنی بر بهینه‌سازی ازدحام ذرات با درنظر گرفتن ویژگی‌های زمانی کاربران و محتوای توییت‌های آن‌ها در توییتر پیشنهاد شده است. در الگوریتم پیشنهادی یک پاداش مبتنی بر باور برای تجزیه و تحلیل رفتار یک کاربر در شبکه بهره گرفته می‌شود.باتوجه به اینکه شناسایی ربات‌های اجتماعی در شبکه‌اجتماعی توییتر می‌باشد. شبکه را به یک گراف شباهت داده می‌شود؛ یک گراف G = (P,E) که در آن P مجموعه‌ای از رئوس یا کاربران که شامل حساب‌های قانونی و ربات‌های اجتماعی می‌باشد و E مجموعه‌ای از ارتباط بین کاربران که شامل توییت، لایک، ریتوییت، پیام و غیره می‌باشد. برای هر کاربر در شبکه ویژگی‌های زمانی (مانند میانگین زمان بین دو توییت متوالی، میانگین تعداد توییت‌های ارسال شده در روز، درصد فالوورهای حذف شده و غیره) به عنوان بردار وضعیت نشان داده می‌شود.بر اساس بردار وضعیت و انتقال عامل از حالت فعلی به حالت بعدی که مجموعه اقدامات یادگیری الگوریتم می‌باشد، مکان Q و سرعتV را مدل‌سازی می‌شود تا یک دنباله عمل بهینه را بر اساس پاداش فوری بلند مدت تعیین می‌شود. هدف کار این می‌باشد طراحی یک تکنیک بهینه‌سازی فراابتکاری با مدل DQL با در نظر گرفتن بردار وضعیت با توالی عملکرد بهینه به منظور شناسایی دقیق ربات‌های مخرب در شبکه توییتر است. علاوه بر این هدف دیگر این است حداقل رساندن تأثیر انتشار محتوای هرزنامه و شناسایی جوامع تأثیرگذار C در شبکه توییتر است.خلاصه راه حل انجام شده عبارت است از:الف) ارزیابی پاداش بلند مدت فورری برای هر رفتار کاربر براساس توالی اقداماتب) طراحی یک الگوریتم P-DQL برای شناسایی ربات‌های اجتماعی مخرب با تابع PSO در تابع Q-valueج) توسعه یک الگوریتم SIU_ICD برای به حداقل رساندن انتشار محتوای مخرب از طریق جوامع تاثیرگذار در توییترد) آزمایش و ارزیابی با استفاده از دیتاست‌الگوریتم پیشنهادی P-DQL فضای ذخیره‌سازی زیادی مصرف نمی‌کند؛ به دلیل اینکه الگوریتم دنباله‌ای از بهترین حالت را ذخیره می‌کند. همچنین این الگوریتم بسیار سریع‌تر همگرا می‌شود تا دنباله‌ای از اقدامات بهینه را برای رسیدن به یک حالت هدف پیدا کند؛ این عمل به‌خاطر این است که همزمان با چندتا عامل یادگیری را انجام می‌دهد.در الگوریتم تکاملیPSO ویژگی‌های زمانی مانند میانگین تعداد توییت‌های ارسال شده در روز، طولانی‌ترین زمان آنلاین بودن کاربر، درصد کاهش فالوور، میانگین زمان بین دو توییت متوالی و غیره را می‌توان برای به دست آوردن دنباله‌ای از عملکرد بهینه تنظیم و استفاده کرد. دلیل ادغام PSOبا DQL این می‌باشد که محاسبات بالا را کاهش می‌دهد و عامل یادگیری به جای ذخیره همه جفت‌های حالت عمل ممکن، تنها بهترین دنباله اقدام را در حافظه پخش ذخیره می‌کند.الگوریتم پیشنهادی P-DQL رفتار مخرب کاربران را با در نظر گرفتن ویژگی‌های زمانی که در الگوریتم PSO استفاده می‌شود را برای شناسایی ربات تجزیه و تحلیل می‌کند. قابل توجه است که ربات‌های اجتماعی قابلیت دستکاری ویژگی‌های زمانی را دارا نمی‌باشند، زیرا این ویژگی‌ها بر اساس رویدادهای رفتاری کاربران و تجزیه و تحلیل الگوهای رفتاری پویا آن‌ها می‌باشد.تعدادی از کاربران عادی در شبکه‌اجتماعی رفتاری مانند ربات‌های اجتماعی مخرب دارند که این باعث ایجاد شک می‌شود. الگوریتم P-DQL چنین نوع کاربرانی را به عنوان یک ربات اجتماعی و رفتار آن‌ها را جز رفتارهای یک ربات مخرب شناسایی نمی‌کند زیرا رویکرد الگوریتم به این صورت می‌باشد که اگرکاربر فعالیت و رفتار‌های خود را در بازه‌های زمانی و به صورت مکرر انجام دهد را به عنوان یک رفتار مخرب شناسایی می‌کند، یعنی رفتار کاربر براساس ویژگی‌های زمانی به عنوان رفتار حالت شناسایی شود. این عمل یکی از مزایای این الگوریتم می‌باشد زیرا دفت بیشتری در شناسایی دارد.برای ارزیابی عملکرد الگوریتم‌های پیشنهادی مقاله از دو دیتاست واقعی توییتر(توضیح بخش 5) استفاده شده است. نتایج مشاهده شده، نشان می‌دهد که الگوریتم‌های پیشنهادی از نظر مدولاریت[1]، [2]recall، دقت و f1-score[3]از دیگر الگوریتم‌های موجود در تشخیص ربات‌های اجتماعی بهتر عمل می‌کنند.الگوریتم P-DQL را با الگوریتم‌PSO، شبکه عصبی پیش خور، شبکه عصبی عمیق منظم، شبکه عصبی تطبیقی، الگوریتم یادگیری تقویتی مبتنی بر محتوا و الگوریتم یادگیری تقویتی مبتنی بر تحلیل شبکه اجتماعی مقایسه می‌شود؛ همچنین برای الگوریتم SUI_ICD با الگوریتم‌های تشخیص جامعه هرزنامه نویس نظر، تشخیص گروه مخرب و K_SICDمقایسه می‌شود. الگوریتم P-DQLاقدامات کمتری برای رسیدن به وضعیت هدف نسبت به PSO احتیاج دارد و نرخ همگرایی بالاتری دارد.برای تشخیص ربات اجتماعی مخرب، الگوریتم پیشنهادی مقاله به نام P-DQLتا 15 درصد بهبودی در مقدار دقت نسبت به سایر الگوریتم‌های موجود به دست می‌آورد. علاوه بر این، الگوریتم SIU-ICDپیشنهادی تأثیرگذارترین جوامع را با Q-valueماژولاریت بهتر (حدود 0.65) شناسایی می‌کند و از رویکردهای تشخیص جامعه مخرب موجود بهتر عمل می‌کند.دیتاست‌هایی که در این مقاله استفاده شده است، دو تا از دیتاست‌های واقعی برگرفته از توییت‌های توییتر می‌باشد. اولین دیتاست Honeypot اجتماعی[4] می‌باشد؛ این دیتاست از 30 دسامبر 2009 تا 2 اوت 2010 از توییتر جمع‌آوری شده است. این دیتاست شامل 22223 آلاینده محتوا(توییت‌های محتوای مخرب، پیام‌های حاوی انتشار بدافزار و غیره، تعداد دنبال‌کنندگان محتوا در طول زمان، 5613166 توییت، تعداد 19276 کاربر قانونی می‌باشد. دومین دیتاست مجموعه داده پروژه جعلی[5] می‌باشد؛ این دیتاست شامل حساب‌های واقعی و هرزنامه‌ای توییتر می‌باشد. این دیتاست دارای تعداد 9987698 توییت، تعداد 3474 کاربر قانونی و 991 کاربر مخرب می‌باشد.مرجعG. Lingam, R. R. Rout, D. V. L. N. Somayajulu and S. K. Ghosh, "Particle Swarm Optimization on Deep Reinforcement Learning for Detecting Social Spam Bots and Spam-Influential Users in Twitter Network," in IEEE Systems Journal, vol. 15, no. 2, pp. 2281-2292, June 2021, doi: 10.1109/JSYST.2020.3034416.-------------------------------------------------------------------------------------------------------------------------------------------------------[1] اندازه گیری ساختار شبکه‌ها یا نمودارها است که قدرت تقسیم شبکه به ماژول‌ها را اندازه گیری می‌کند.[2] درصدی از کل پیش‌بینی‌هایی که توسط مدل درست دسته‌بندی‌شده‌اند.[3] برای ارزیابی عملکرد سیستم‌ها کاربرد دارد.[4] Social Honeypot Dataset[5] The Fake Project dataset حسین رعیت پرور حسین رعیت پرور Thu, 01 Sep 2022 22:42:45 +0430 https://virgool.io/TuringLab/%D8%AD%D8%AF%D8%A7%DA%A9%D8%AB%D8%B1%D8%B3%D8%A7%D8%B2%DB%8C-%D9%86%D9%81%D9%88%D8%B0-influence-maximization-oogxnhrggzpu یک شبکه اجتماعی را گرافی فرض می‌شود که گره‌های آن کاربران و یال‌های آن پیوندهای اجتماعی بین کاربران است. حداکثرسازی نفوذ به دنبال مجموعه‌ای از کاربران با حداکثر تاثیر در گراف می‌باشد. تأثیر هر مجموعه دانه[1]بر اساس فرآیند انتشار اطلاعات در بین کاربران تعریف می شود. به عنوان مثال در بازاریابی ویروسی انتشار اطلاعات که در آن یک شرکت ممکن است بخواهد پذیرش یک محصول جدید را از طریق پیوندهای اجتماعی بین کاربران گسترش دهد. برای تعیین کمیت انتشار اطلاعات، مدل انتشار و نفوذ مورد استفاده قرار می‌گیرد.مدل انتشاریک مدل انتشار M فرآیند تصادفی را برای مجموعه‌ای از کاربران مدل می‌کند که اطلاعات را در گراف شبکه اجتماعی منتشر می‌کند. الگوریتم‌های استفاده شده در مدل انتشار عبارتند از:الف) مدل آبشار مستقل[2]ب) مدل آستانه خطی[3]ج) مدل تحریک[4]د) مدل انتشار آگاه از زمان[5]ه) مدل انتشار غیرپیشرونده[6]الگوریتم‌های حداکثرسازی نفوذ1- رویکرد مبتنی بر شبیه سازیرویکرد مبتنی بر شبیه‌سازی، شبیه‌سازی مونته کارلو[7] را به‌عنوان یک جعبه سیاه، که یک شمشیر دولبه است، در نظر می‌گیرد: کلیت مدل را حفظ می‌کند اما از طریق تحلیل و بهینه‌سازی فرآیند ارزیابی تأثیر با استفاده از ویژگی‌های مدل‌های انتشار، از بهبود عملکرد بیشتر جلوگیری می‌کند.2- رویکرد مبتنی بر پروکسیپروکسی‌های کاهش مدل انتشار مستقیماً از مدل‌های انتشار یعنی مدل IC یا LT برگرفته شده‌اند و به طور کامل از خواص این مدل‌ها برای تخمین تأثیر استفاده می‌کنند. در بیشتر موارد، آن‌ها می‌توانند با رویکردهای مبتنی بر شبیه‌سازی به کیفیت رقابتی دست یابند. با این حال، زمانی که تعداد مسیرهای نفوذ و محدوده تأثیر گره ها و مجموعه‌ها زیاد است، نمی‌توانند به تعادلی بین دقت و کارایی دست یابند. علاوه بر این، پراکسی‌های کاهش مدل انتشار اغلب فقط برای یک مدل خاص هستند و نمی توان آن‌ها را به مدل‌های دیگر تعمیم داد. براساس ویژگی‌های مدل‌های پراکسی، الگوریتم‌های مبتنی بر پروکسی را در دو شاخه بررسی می‌شود:(1) پراکسی رتبه‌بندی تأثیر[8](2) پروکسی کاهش مدل انتشار[9]3- رویکرد مبتنی بر طرحتمرکز اصلی این رویکرد بهبود کارایی نظری روش‌های مبتنی بر شبیه‌سازی است گلوگاه رویکرد مبتنی بر شبیه‌سازی، اجرای مجدد تعداد زیادی شبیه‌سازی پرهزینه MC ، برای ارزیابی گسترش نفوذ هر مجموعه بذر مورد نظر است. برای جلوگیری از اجرای مجدد شبیه‌سازی‌های MC، رویکرد مبتنی بر طرح تعدادی از طرح‌ها را بر اساس مدل انتشار خاص از قبل محاسبه می‌کند و سپس از طرح‌ها برای ارزیابی گسترش نفوذ بهره‌برداری می‌کند. الگوریتم‌های این رویکرد را به دو شاخه طبقه‌بندی می‌شوند:(1) یعنی طرح تأثیر رو به جلو[10](2) طرح قابل دسترسی معکوس[11]-------------------------------------------------------------------------------------------------------------------------------------------------------[1] Seed[2] The Independent Cascade (IC) Model[3] The Linear Threshold (LT) Model[4] The Triggering (TR) Model[5] Time-aware Diffusion Models[6] Non-Progressive Diffusion Models[7] Monte Carlo[8] Influence Ranking Proxy[9] Diffusion Model Reduction Proxy[10] Forward Influence Sketch[11] Reverse Reachable Sketch حسین رعیت پرور حسین رعیت پرور Thu, 01 Sep 2022 22:27:26 +0430 https://virgool.io/TuringLab/%D8%B1%D8%A8%D8%A7%D8%AA-%D9%87%D8%A7%DB%8C-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-social-bot-%DA%86%DB%8C%D8%B3%D8%AA-lo5iaozqcntr ربات اجتماعی یک برنامه نرم افزاری است که رفتار انسان را در تعاملات خودکار در پلتفرم‌های مختلف شبکه‌های اجتماعی مانند فیس بوک و توییتر شبیه‌سازی می‌کند. به عنوان یک قاعده، ربات‌های اجتماعی برای قبولی در آزمون تورینگ طراحی شده‌اند: آن‌ها به اندازه‌ای پیچیده هستند که سایر کاربران را فریب دهند و به عنوان یک کاربر معتبر یا یک انسان در نظر گرفته شوند. برای انجام این‌که فریب دهند کاربران درون شبکه‌های اجتماعی، ربات‌های اجتماعی از هوش مصنوعی (AI)، متن کاوی و نرم افزار تجزیه و تحلیل داده‌ها استفاده می‌کنند. برخی از آن‌ها به پایگاه‌های اطلاعاتی دانش عمومی و رویدادهای جاری دسترسی دارند تا به آن‌ها امکان تشخیص مراجع و ارسال پیام‌های قانع‌کننده‌تر و فریبکارانه‌تر را بدهند.ربات‌های اجتماعی معمولاً طوری برنامه‌ریزی می‌شوند که مانند یک انسان تعامل داشته باشند، از چرخه‌های خواب و بیداری نسبتاً عادی پیروی می‌کنند یعنی پیام‌ها و عملیات مربوط برای رسیدن به هدف خود را بر اساس برنامه‌ای تا حدی تصادفی و نه در فواصل زمانی منظم ارسال می‌کنند؛ این عمل برای آن است که نتوان آن‌ها را شناسایی کرد. توییتر رایج‌ترین پلتفرم برای ربات‌های اجتماعی است زیرا قالب میکروبلاگینگ به خوبی با قابلیت‌های نرم‌افزار سازگار است. اکثر ربات‌های اجتماعی برای یک هدف خاص مانند بازاریابی، تبلیغات سیاسی یا روابط عمومی ایجاد می‌شوند. دسته‌بندی ربات‌های اجتماعی باتوجه به اهداف آن‌ها می‌توان گفت که ربات‌ها به دو بخش ربات‌ها با اهداف خوب و ربات‌ها با اهداف بد تقسیم کرد. ربات‌های اجتماعی براساس قصد، هدف و ظرفیت تقلید از انسان‌ها طبقه‌بندی می‌شوند. ربات‌هایی که هدف آن‌ها خدمت رسانی و کارایی مفید می‌باشد از جمله ربات‌های ارسال خودکار خبر، ربات‌های بروزرسان وضعیت آب و هوا و یا همچنین ربات‌های اجتماعی استفاده شده در ویکی‌پدیا برای تولید یک محتوای جدید، این ربات‌های اجتماعی را ربات‌های مفید می‌گویند. هدف‌شان این است که یک رفتار کاربرپسند داشته باشند و در تلاش برای ثبت یا نشر یک مطلب مفید و کاربردی یا خبر می‌باشند. ربات‌های اجتماعی با انجام فعالیت‌های مخرب مانند انتشار بدافزارها، جعل هویت، حملات Sybil و غیره طراحی می‌شوند. این دسته از ربات‌ها که به ربات‌های مخرب معروف هستند تحت عمل انسان عمل می‌کنند یعنی در تلاش هستند تا شبیه‌سازی رفتار یک انسان به هدف فریب‌کارانه و مخرب خود دست یابند.ربات‌های اجتماعی نیز می‌توانند خطر امنیتی ایجاد کنند. به عنوان مثال، در سال 2011، یک ربات اجتماعی در شبکه‌ اجتماعی، گیگابایت اطلاعات کاربران را از فیس بوک به سرقت برد. بر اساس برخی تخمین‌ها، تا 65 درصد از میانگین دنبال‌کنندگان حساب توییتر در واقع ربات‌هایی از یک نوع یا دیگری هستند.همچنین این ربات‌های اجتماعی باعث دستکاری و جهت‌گیری افکار عمومی و افزایش محبوبیت اشخاص در شبکه‌های اجتماعی شده‌اند برای مثال درسال 2016 انتخابات ایالات متحده آمریکا ربات‌ها باعث ایجاد جوی به نفع ترامپ شدند تا وی بتواند اکثریت آرا را در انتخابات به دست آورد. در سال‌های اخیر ربات‌های اجتماعی افزایش چشم‌گیری در عرصه‌های اقتصادی و سیاسی داشته‌اند. در یک پژوهش در سال 2019 انجام شده است که 71 درصد کاربران توییتری که از سهام پرطرفدار بورس آمریکا نام می‌برند در واقع ربات‌های اجتماعی هستند. همچنین در ارزهای دیجیتال و حتی در مورد همه‌گیری کرونا این ربات‌ها تاثیرگذار بوده‌اند. حسین رعیت پرور حسین رعیت پرور Thu, 16 Jun 2022 16:45:47 +0430