本文提出了一种使用 GAN 算法通过 Twitter 数据集计算用户之间的相似度，以识别和检测假用户账户的新方法，并实验结果表明，该方法的准确率能够达到 98.1％。

Oct, 2022

该论文提出了一种应用程序，旨在检测和中和在线社交网络中的虚假实体，并着重保护公司免受潜在欺诈行为的影响。该应用程序以用户为中心的设计确保了对调查机构，尤其是刑事部门的可访问性，便于在复杂的社交媒体环境中进行导航和与现有调查程序的集成。

Nov, 2023

本文研究了解和利用社交媒体上的用户资料以便于发现假新闻。我们分析了用户在社交媒体上的分享行为以及其与真假新闻的关系，研究了隐式和显式资料特征，探讨了利用这些特征进行假新闻分类任务的可行性和有效性。

Apr, 2019

本研究旨在通过仅依赖推文固有特征，检测社交垃圾邮件，使用两个大的手动标记的推文数据集，研究了五种分类算法和四种不同的特征集的适用性，并发现通过仅使用推文中有限的特征，我们可以获得有竞争力的结果，是社交垃圾邮件检测系统的有效补充。

Mar, 2015

该研究旨在调查社交媒体上的假新闻检测问题并提出相关算法，主要涵盖社交媒体上的假新闻特征、数据挖掘算法、评估指标等方面。

Aug, 2017

该研究提出了一种可解释和在线的分类方法，结合无监督和有监督的机器学习方法，使用自然语言处理技术基于创建者、内容和上下文的特征，识别和解释社交媒体中的虚假新闻，并通过数据流处理提供实时的早期检测、隔离和解释，从而提高社交媒体内容的质量和可信度。

May, 2024

通过使用生成对抗网络 (GANs) 生成的具有人脸的推特用户作为样本，本研究系统分析了近期发展的生成人工智能 (AI) 在创建可信的假社交媒体账户方面的潜在问题。结果发现这些账户被用于传播欺诈、垃圾邮件以及增强协调的信息等虚假行为，并通过利用 GAN 生成的人脸中眼睛位置的特征以及人工注释的方法，对野外中的 GAN 生成的个人资料进行有效的识别。研究估计活跃推特用户中使用 GAN 生成的人脸的比例下限为 0.021% 至 0.044%，即每天约有 1 万个活跃账户。这些发现凸显了多模态生成 AI 所带来的新威胁。研究者公开了检测方法的源代码和收集到的数据以助于进一步调查，并提供实用启发法帮助社交媒体用户辨别此类账户。

Jan, 2024

本文探讨了社交网络链接欺诈检测中的多样性和特征，提供了强有效的基于熵的特征工程，对 Twitter 数据的地面真实性能表现达到了超过 0.95 的精确度和召回率。

Apr, 2017

本文聚焦于自动识别在线新闻中的虚假内容，首先介绍了用于虚假新闻检测的新颖数据集，描述了收集、注释和验证过程，并提供诸多在区分真实和虚假新闻语言差异方面的探索性分析。其次，本文开展了一系列学习实验以构建准确的虚假新闻检测器，并比较了手动和自动识别虚假新闻的结果。

Aug, 2017

本文通过深度学习和集成学习方法，成功识别出社交媒体上的假新闻，并且对其话题进行了研究，发现其中一半话题与真实新闻相同，可能会导致人们的混淆。

May, 2023