在《基于网络社区的国际期刊》中的研究，通过同时检查用户行为的几个特征，引入了一种新的准确识别社交网络异常用户的方法。通过利用不同社交网络的API（高级编程接口），中国阜阳师范大学教育学院的谢健成功地收集了用户的全面数据，包括他们的账户细节、发布的内容和具体的行为方式。

对这些数据进行分析使他能够给用户归属一组属性。通过应用属性减少，他能够消除任何冗余的特征，并构建一个针对性的属性特征集，以便分析可疑的账户。

谢先生随后利用这些吸收的数据来训练XGBoost模型，该模型是一种强大的机器学习算法，可以创建一个高度客观的函数，能够快速检测社交网络上的异常行为。谢先生能够以95％的准确度识别出异常用户，足以提醒系统管理员对任何可疑问题进行手动调查和采取行动（例如阻止恶意用户）。事实上，谢先生实现的错误率很低，而且在短短几秒钟内就能识别出异常用户。正如他在论文中所提到的，谢先生的方法比之前的方法更快更准确。

这些发现具有社交网络广泛意义，识别异常用户的重要性已通过恶意第三方、捣乱者、垃圾邮件发送者、欺凌者、虚假账户、被劫持的用户名或机器人，来维护合法用户的安全并保护数字社区的整体完整性。

谢先生总结道：“该方法具有高特征提取准确性、低异常用户识别错误率和低异常用户识别时间的特点。”他建议该方法为发展强大的社交网络安全政策奠定了基础。