随着移动互联网和社交网络的迅速发展,社交媒体已经成为人们日常娱乐、交流分享、获取信息的重要平台,新浪微博作为国内受众最大的社交媒体,影响着人们生活的方方面面。与此同时,微博的巨大流量也催生了微博水军这一黑色产业,他们受利益驱动,散播垃圾信息或谣言,扰乱了网络传播秩序,引导社会舆论,给个人和集体带来了不利影响。如何有效地快速识别微博水军,对净化网络环境、维护网络秩序具有重要意义。传统的网络水军识别研究主要从内容、用户、环境、综合特征展开,由于水军行为不断趋于正常化,传统方法不能有效地全面识别,对此,本文利用难以伪造的社交网络结构,提出了一种基于图神经网络的微博水军识别方法。具体的研究工作如下:首先,将微博用户作为图的节点,用户间的关注关系作为图的边,通过网络爬虫获取数据,提取微博用户自身的信息以及用户之间的关联信息,构造微博用户的社交网络图。接着,对获取的微博用户进行人工标注,细粒度划分为不是水军、轻度疑似水军、疑似水军、重度疑似水军和确定水军5类,得到原始数据集。然后,在数据预处理过程中,针对微博节点信息数据跨度较大的问题,设计一种新的分段线性归一化方法,使处理后的数据较均匀地映射到[0,1]之间,弱化因某些变量较大而对模型产生的不利影响。最后,研究图神经网络算法,构建微博水军识别模型,将图数据输入到图注意力网络中,通过堆叠的图注意力层更新节点的特征向量,得到图的节点分类结果,既而达到识别水军的目的。为了验证模型的有效性,设计图注意力网络与逻辑回归、朴素贝叶斯、支持向量机以及图卷积神经网络模型的对比实验,利用4种评估指标评价模型的有效性,实验结果显示本模型在有标签的训练集规模较小时就已取得较好的分类效果,泛化能力较强。结合此分类模型,设计并实现了一个基于Django框架的微博水军识别系统,且对系统的识别效果进行了测试,验证了系统的可行性。本系统能够便捷高效地识别微博水军,为辨别或研究微博水军提供便利,具有良好的应用前景。