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
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
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。
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
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
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
本文聚焦于自动识别在线新闻中的虚假内容，首先介绍了用于虚假新闻检测的新颖数据集，描述了收集、注释和验证过程，并提供诸多在区分真实和虚假新闻语言差异方面的探索性分析。其次，本文开展了一系列学习实验以构建准确的虚假新闻检测器，并比较了手动和自动识别虚假新闻的结果。
我们使用自然语言处理方法对 1876 条新闻数据进行预处理，通过训练模型将假新闻和真实新闻进行分类，最终通过 Naive Bayes 分类器得出 56% 的准确率和平均 32% 的 F1-macro 得分。
Sep, 2023
通过图论和深度学习的方法对基于图的假新闻检测进行系统的综述，将现有方法分类为知识驱动、传播驱动和异构社交环境驱动的方法，并讨论了图论假新闻检测中的挑战和未来研究方向。
Jul, 2023
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