社交媒体平台在信息传播中起着重要作用，本研究旨在通过识别和分类新闻，解决社交媒体平台上虚假消息和不可验证事实的传播问题，提出了基于图模型的概率马尔可夫信息传播模型，并通过实验研究证明了其在准确性和检测时间方面优于现有的虚假信息检测算法。

Oct, 2023

使用半监督学习框架来解决极度类别不平衡的问题，并使用实际数据扩充少数类别，该方法在处理社交媒体中极不平衡的发布单元时比 SMOTE、ADASYN、GAN 等其他方法效果显著提高，尤其在相关的 Covid 数据上初步测试表明有效性。

Apr, 2023

提出一个基于文本和图像的事实核查框架，它能够直接警告虚假新闻发布者和网络用户，并使用事实核查文章来阻止虚假信息的传播。

Oct, 2020

社交媒体的兴起使得虚假新闻的广泛传播成为可能，而虚假新闻被故意发布以传播错误信息和影响人们的信仰。本文介绍了一种新的方法，通过人机交互的方式改善自动化系统对社交媒体的表示质量，在真实事件中实验表明，在少量人机交互之后，系统检测新闻可信度的性能得到了提升。

Sep, 2023

在 COVID-19 期间，社交媒体上的虚假信息泛滥，本研究针对巴西的事实核查机构使用一种 Markov-based 的计算方法来识别推文的话题，并揭示了这些机构揭穿的话题在政治和健康危机之间复杂交织的关系。

Dec, 2020

本研究提出了一种利用社交媒体上的弱标注信号并采用深度神经网络在元学习框架下结合少量干净数据进行训练，以提高虚假新闻的早期检测的方法，实验结果显示该方法可以有效地超越目前的最先进的基准线模型。

Apr, 2020

本文研究了社交媒体上与 COVID-19 有关的虚假言论和事实检查，发现专业的事实检查虽然重要但可见性有限，而互联网用户通过众包的方式可以在社交平台上成功地反驳虚假言论。

Nov, 2020

本研究提出了一个新的多阶段干预框架，通过将强化学习与点过程网络活动模型相结合来解决社交网络中假新闻的问题。通过选择状态的特征表示，定义缓解行动，构造奖励函数来度量缓解活动的有效性，在预算约束下，将假新闻缓解问题映射到强化学习框架中。在 Twitter 网络上进行实时干预实验来缓解代理假新闻活动，我们的方法在合成数据集上表现优于其他方法。

Mar, 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

本文介绍了一种基于多模态视角的自动虚假信息检测方法，提出了一种基于可解释性方法的虚假信息分类框架，从而增加决策的可解释性和完整性。

Dec, 2022