研究分析了基于混合图神经网络和 transformer 模型的社交语境对于发现假新闻的作用，并且在 PolitiFact 和 Gossipcop 数据集上获得了 0.91 和 0.93 的 f1 得分，表现优于基线模型。

Jul, 2022

通过构建多种异质社交上下文图并将问题重新定义为图分类任务，本文提出了一种高效的方法来检测虚假新闻，并在常见基准数据集上获得了鲁棒的结果，研究成果表明将不同类型的信息（以获得何种社交上下文水平最有效）与使用不同的图形神经网络架构相结合非常有效。

Dec, 2022

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

通过提供包含新闻内容、社会背景和动态信息的数据集，本文旨在促进对社交媒体上假新闻的传播、检测和干预的研究，强调了假新闻检测的复杂性，并结合多源信息提出了可能的解决方案。

Sep, 2018

社交媒体对于新闻获取变得越来越普及，但由于其存在散播虚假信息或‘假新闻’的风险，需要从社交，内容和时间三种不同的网络视角考虑如何使用网络特性来检测和减缓不实信息。

Apr, 2018

提出了一个以理论驱动的模型，探索了假新闻在不同层次（词汇、句法、语义和话语）上的表现，并在监督式机器学习框架下进行了检测。在真实世界的两个数据集上的实验证明，该方法可以优于现有技术，并在内容信息有限的情况下实现假新闻的早期检测。

Apr, 2019

通过吸收和参数化历史新闻中的评论中有用的知识，并将其注入到仅基于内容的检测模型中，我们设计了评论辅助虚假新闻检测方法 (CAS-FEND)，该方法在训练期间将有用的知识从评论感知的教师模型转移到仅基于内容的学生模型。实验证明，CAS-FEND 学生模型在早期检测方面表现出优越性，胜过所有仅基于内容的方法，甚至胜过输入 1/4 评论的方法。

Oct, 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

本文利用几何深度学习模型对推特上的新闻内容、用户画像、行为，社交网络结构与传播进行深度融合，基于传播模式的方法可以高效地提取特征，提高了对于虚假新闻的识别率，在短时间内便可可靠地便可侦测出，同时与现存的基于内容分析的方法有互补性和多个优势。

Feb, 2019

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