社交网络异常结点检测是将社交网络抽象为图结构后检测其中异常结点。社交网络中的异常结点可能包含欺诈和虚假等有害信息,对社交网络的正常用户和平台环境造成不良影响。检测这类异常结点对社交网络的健康发展有十分重要的意义。本文研究近来在图领域表现优异的图神经网络在社交网络异常结点检测任务上的应用。在实际检测任务中重要面临两个挑战:（1）社交网络规模通常较大,普通的图神经网络难以直接训练,需要考虑计算效率的问题。（2）异常结点在网络中占比较小,并且可能在网络中分散分布并不集中,使得检测难度较大。为解决这些挑战,本文进行了如下研究。（1）在已有的图数据网络Graph SAGE的基础上改进,通过在训练前聚合邻居信息,大幅缩减了模型训练的时空复杂度。借用Transformer的传递信息思想,通过改变图神经网络传递邻居信息的路径,更好地保留各阶邻居的信息,以提高在异常检测任务的表现。（2）基于双曲空间更适合作为社交网络的嵌入空间的考虑,使用双曲神经网络作为嵌入模型,设计了社交网络结点表征学习框架。学习得到的结点表征将用于异常结点检测任务,提供图神经网络难以获取的结点层次结构信息和全局结构信息,进一步提高检测的表现。（3）基于图神经网络属于半监督学习,只需标注部分数据的考虑。本文为检测方法设计了对应的主动学习方法,在数据集未标注的情况下,挑选标注数据。考虑到社交网络数据规模大的问题,本文的主动学习方法挑选标注样本的过程只有线性的时间复杂度。为检验本文所提方法的效果,在真实社交数据集上与其他图神经网络和面向神经网络的主动学习方法对比。验证了本文所提的检测方法、表征学习方法以及主动学习方法的有效性和优越性。