本研究提出基于异质图的元路径捕获方法，结合全局语义关系和社交媒体消息传播结构信息，用于检测社交媒体中的谣言。在真实的 Twitter 数据集上进行的实验证明了该方法的优越性，同时还具有非常早期检测谣言的能力。

Jun, 2020

在社交媒体上，广泛传播的谣言对人们的日常生活产生了负面影响，导致公众潜在的恐慌、恐惧和心理健康问题。本文提出了一种新的检测模型，通过联合学习用户相关性和信息传播的表示来检测社交媒体上的谣言。评估结果表明，该模型在已有的谣言检测模型方面表现优秀，并且对抗性攻击更具鲁棒性。

Mar, 2024

本研究提出了一种称为单元引导层次图注意力网络的方法，利用社交上下文以增强响应帖子的表征学习，并在 Twitter 上展示了其优越的谣言检测能力。

Oct, 2021

本研究提出了一种基于图卷积网络的多视图融合框架，用于较好地表示和识别谣言信息，并且在两个公共数据集上实验，结果表明该方法优于现有的技术。

Nov, 2022

该研究提出了一种新颖的区域增强型深度图卷积网络（RDGCN），通过学习区域化传播模式来增强谣言的传播特征，并通过无监督学习训练传播模式，以解决社交媒体上的谣言检测问题。实验证明，该模型在谣言检测和早期谣言检测方面表现比基准方法更好。

Jun, 2022

社交媒体中谣言的传播对社会造成了巨大的伤害，本研究提出一种新的视觉与图神经网络（VGA），通过利用帖子间的传播结构来获取群众观点、发现视觉篡改特征以及隐藏在图像中的文本信息，从而有效地检测多模态谣言。

Jan, 2024

我们在本文中提出了一种新型的语义演变增强的传言检测（GARD）模型，该模型通过捕捉局部语义变化和全局语义演进信息来学习事件的语义演变信息，并通过特定的图自编码器和重构策略实现。通过结合语义演变信息和传播结构信息，该模型对事件传播进行全面理解，从而实现准确和稳健的传言检测，并在早期阶段通过捕捉语义演变信息来检测谣言。此外，为了增强模型学习谣言和非谣言的不同模式的能力，我们引入了一个统一性正则化器来进一步提高模型的性能。在三个公共基准数据集上的实验证据证实了我们的 GARD 方法在整体性能和早期传言检测方面优于现有方法。

Apr, 2024

本文提出了一种基于统一对比转移框架的谣言检测方法，通过语言对齐和领域自适应对比学习机制，训练多尺度图卷积网络，实现在不同语言资源匮乏的情况下检测谣言，实验证明这种方法比其他方法更具优越性。

Apr, 2023

本文提出一种新的双向图卷积网络模型（Bi-GCN），结合传播和扩散两个重要特征进行谣言检测，该模型利用顶部向下传播和底部向上传播的方式进行训练，并结合源帖信息来提升谣言的影响力。实验结果表明该方法在多个基准测试中优于先前的类似方法。

Jan, 2020

该研究提出了一种名为 HGAT (Hierarchical Graph Attention Network) 的框架，该框架利用一种新颖的分层注意机制，在异构信息网络中进行节点表示学习，通过对新闻文章节点进行分类来检测假新闻。实验结果表明，HGAT 可以胜过基于文本和其他基于网络结构的模型，并且该框架还具有与其他节点分类相关应用程序的图形表示学习的扩展性和通用性。

Feb, 2020