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

采用一种基于循环神经网络（RNN）的深度注意力模型，学习序列式文章的不同隐藏表现以识别流言，并通过软注意力机制来提纯相关文章的相关部分，实验证明其能够更快、更准确地检测和辨别流言。

Apr, 2017

本文提出了一种可扩展的，使用潜在和手工制作特征进行谣言自动检测的解释性模型，并使用注意力机制来解释每个特征的相对重要性和特征类别本身的相对重要性，经过广泛实验表明，该方法在准确度和 F-score 上表现显着优于其他现代算法。

Jul, 2020

通过多示例学习方案，我们提出了基于树结构的弱监督框架来联合分类谣言和立场，这里只需要关于真实性的包级标签。最后，我们提出了分层注意力机制来聚合二进制预测，通过在三个 Twitter 数据集上进行广泛的实验，证明了我们的模型在与现有方法相比的认领级别的谣言检测和帖子级别的立场分类方面具有良好的性能。

Apr, 2022

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

本文提出了一种基于图卷积神经网络的层级多任务学习框架，用于同时预测 Twitter 上谣言立场和可信度，底部组件使用结构属性建模来分类谣言推文的立场，而顶部组件通过利用立场演变的时间动态来预测谣言的真实性。实验结果表明，我们的方法在谣言立场分类和真实性预测方面均优于以往的方法。

Sep, 2019

本文提出了一个用于自动检测谣言立场和真实性的多任务学习框架，通过对社交媒体上的巨量数据进行聚类和分析，解决了传统处理方法效率低下的问题，实验证明该方法在 SemEval 2019 的谣言立场分类和真实性预测都优于之前的方法。

Jul, 2020

本文针对社交媒体上的谣言检测问题，提出了一种以时间序列为基础的谣言检测模型 BAET，该模型利用事件树和双重图的结构表征以及基于 RNN 和注意力机制的方法来探测和解决谣言传播所涉及的网络结构，实证结果表明 BAET 相比于现有基线方法，在 Twitter 数据集上具备更高的检测性能。

Apr, 2023

利用大型语言模型（LLMs）进行社交媒体谣言检测的研究，提出了一种 LLM - 驱动的谣言检测方法（LeRuD），通过设计提示教给 LLMs 在新闻和评论中进行推理，并将整个传播信息分割为传播链以减轻 LLMs 的负担，通过在 Twitter 和微博数据集上的实验，LeRuD 在谣言检测方面表现出色，超过了几种最先进的模型，并且通过应用 LLMs，LeRuD 无需训练数据，在少量或零样本情景中显示出更有前景的谣言检测能力。

Feb, 2024