随着21世纪以来互联网的飞速发展,社交网络为工作、学习、娱乐提供了诸多便利,人们对其依赖性日益增加,如今已成为了人们日常生活中的重要一环。正是因为社交平台在传播信息方面不可替代的优越性,不法分子也由此更新了社会工程学攻击的主要方式。从早年的木马、病毒攻击,到今日通过创建虚假账户或盗用正常用户账户的方式传播不良信息,如垃圾广告、钓鱼网站、色情信息等,进而获取利益。这种恶意行为覆盖面广、针对性强、难以防范,对社交平台用户的使用体验及财产安全都造成了极大的影响。因此,社交平台账户异常检测技术一直是近年来社会工程学专家及社交平台开发者研究的重点领域。本文从社会工程学角度出发,综合分析国内外相关领域学术成果,以Twitter用户为研究对象,根据用户发布推文的内容,计算发布者的兴趣爱好变化,进而对该账户是否出现异常进行判断。首先,对现有成果的方案进行总结归纳,提出部分特征易被不法分子模仿的问题。针对该问题,构造出一种基于LDA(Latent Dirichlet Allocation,隐狄利克雷分布模型)主题模型的用户兴趣爱好分布的表示方法Ho HD(Hurst of Hobby Distribution,爱好分布的Hurst指数)。其次,对用户的兴趣爱好分布随时间的变化情况进行稳定性分析,通过Hurst指数对稳定性进行量化。将其作为账户特征交由分类器学习,在不同参数下对该特征的异常账户检测效果进行评价。与现有研究相比,异常账户检测准确率、召回率均有提升。最后,提出一种基于最小冗余最大相关算法(Min-Redundancy Max-Relevance,m RMR)的复合式特征选择方法,将本文提出的特征加入到传统特征中进行比较与结合,确定其重要性。