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
研究使用 TriFN 实现社交媒体中的假新闻监测，并利用发布者、新闻片段和用户之间的三方关系来提高准确性。实验证明 TriFN 模型可以显著提高假新闻检测的性能。
Dec, 2017
我们提出了一个交互式框架来进行新闻媒体分析，结合了基于图的新闻媒体分析模型、预训练的大型语言模型和人类洞察力，能够在社交媒体上快速检测出假新闻和有偏见的媒体，即使在最具挑战性的新闻事件的情境中，其中有未见过的测试数据。
Sep, 2023
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
该研究旨在通过识别混淆变量，解决用户属性导致电子虚假新闻传播的因果推论问题，并借鉴因果推论理论提出了一个基于用户行为的方法来减轻选择偏差。我们发现该方法能够非常有效地捕捉用户属性和用户易感性之间的因果关联，有助于保护社会免受虚假新闻的危害。
Oct, 2020
本论文探讨了利用用户偏好来检测假新闻的问题，提出了一种同时捕获用户喜好信号的新框架 UPFD，应用图建模来检测假新闻并在真实数据集上取得了实验效果。
Apr, 2021
本文介绍了一种基于双层图模型的假新闻检测模型 Us-DeFake，通过提取社交网络中新闻和用户之间的多重关系以及学习用户可信度信息以提高模型性能，实验结果表明该模型优于所有基准模型。
Dec, 2022
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
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
本文针对社交媒体上越来越普遍的假新闻现象展开研究，提出了一种基于新闻分级传播网络的假新闻检测方法，通过对假新闻和真实新闻的传播网络特征进行了比较分析，认为可以利用语言特征和结构特征检测假新闻，并验证了这些特征的有效性。该研究为更健康的在线新闻生态系统铺平了道路。
Mar, 2019