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

本文就社交媒体中的谣言进行了调查研究，介绍和讨论了两种流行的谣言类型，并提出了一个由四个部分组成的谣言分类系统，包括谣言检测、谣言追踪、谣言态度分类和谣言真实性分类。最终总结了社交媒体挖掘中谣言检测和解决的研究方向和建议。

Apr, 2017

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

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

本文建立了一个自然语言处理系统来预测谣言并探索了谣言和事实的差异，通过 COVID-19 推文分析，结果表明语言结构是区分谣言和事实的更好特征，而谣言推文中包含更多与政治和负面情绪相关的词汇。

Apr, 2023

社交媒体的增长加剧了虚假消息对个人和社区的威胁，因此需要开发高效及时的谣言检测方法。本文提出了多样对立证据框架用于谣言检测 (DCE-RD)，通过利用事件图的多角度解释以及聚合多样的对立证据，实现了可解释且鲁棒的谣言检测结果。

Jul, 2023

本文介绍了一种基于过采样和上下文数据增强的自动辟谣系统，通过引入非随机选择标准以重点关注相关推文来扩充无代表性类别的数据，我们利用两种图神经网络和一种基于 BERTweet 模型的自定义特征选择技术来进一步提高我们的方法的检测准确性和谣言发现能力。实验结果表明，我们的方法在提高模型性能方面表现出色。

Dec, 2022

本文的研究对象是社交媒体上流传的谣言，以及它们的真实性。研究者通过采集了 9 个事件中包括 330 条谣言推文在内的数据，并应用机器学习算法进行分析，发现了在谣言存在疑问时，人们更倾向于支持这些未经证实的谣言。研究结果表明需要开发更为高效的机器学习算法来判断谣言的真实性，从而避免虚假信息的散播。

Nov, 2015

社交媒体上的谣言验证任务涉及根据产生的会话线程来评估主张的真实性。我们通过使用事后可解释方法评分来得到最重要的帖子，然后使用这些帖子通过模板引导总结生成信息性的解释总结，表明解释的抽象总结比仅使用线程中排名最高的帖子更具信息性并更好地反映了预测的谣言真实性，从而重新制定此任务。

Jan, 2024