A pesar de los notables avances en los métodos de detección de bots basados en Redes Neuronales Gráficas (GNNs), la eficacia de las Redes Neuronales Gráficas depende en gran medida de la suposición de homofilia, que postula que los nodos con la misma etiqueta tienen más probabilidades de formar conexiones entre ellos. Sin embargo, los últimos bots sociales son capaces de ocultarse interactuando extensamente con cuentas de usuarios auténticos, forjando conexiones extensas en los grafos sociales y, por lo tanto, desviándose de la suposición de homofilia. En consecuencia, los métodos convencionales de Redes Neuronales Gráficas siguen enfrentando desafíos significativos para detectar estos nuevos tipos de bots sociales. Para abordar este problema, propusimos SqueezeGCN, una agregación de vecindario adaptativa con el Módulo Squeeze para la detección de bots de Twitter basada en un GCN. El Módulo Squeeze utiliza un perceptrón multicapa (MLP) paralelo para comprimir los vectores de características en una representación unidimensional. Posteriormente, adoptamos la función de activación sigmoide, que normaliza los valores entre 0 y 1, sirviendo como pesos de agregación de nodos. El vector de pesos de agregación es procesado por una capa lineal para obtener el embebido de agregación, y el resultado de la clasificación se genera utilizando un clasificador MLP. Este diseño genera pesos de agregación adaptativos para cada nodo, divergiendo del enfoque tradicional de agregación de vecinos singular. Nuestros experimentos demuestran que SqueezeGCN tiene un buen rendimiento en tres benchmarks ampliamente reconocidos de detección de bots de Twitter. Las comparaciones con un GCN revelan mejoras del 2.37%, 15.59% y 1.33% para los respectivos conjuntos de datos. Además, nuestro enfoque demuestra mejoras en comparación con algoritmos de vanguardia en los tres conjuntos de datos de referencia. Los resultados experimentales confirman aún más la excepcional efectividad de nuestro algoritmo propuesto para la detección de bots de Twitter.