探测流行事件类谣言检测基准测试中的伪相关性
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
本研究通过对四种常用谣言检测基准数据集进行实验，发现使用时间序列而非随机分割数据集可以有效降低主题重叠部分，降低对模型预测性能高估的影响，建议谣言检测模型均应使用时间序列分割数据集以提高准确性。
Feb, 2023
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
本文概述了关于谣言检测领域的最近研究，提供了一个全面的谣言检测数据集列表，并根据他们所利用的信息类型和采取的方法来评估重要的研究，并且也提出了未来研究的几个新方向。
Nov, 2019
本文提出了一种基于远程学习的零样本学习框架，用于检测不同语言环境下不同领域的谣言信息，这种模型通过上下文表征、结构特征以及虚拟响应增强方法提高了对谣言信息的早期检测能力，并在三个实际数据集上得到了比现有模型更好的表现。
Dec, 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
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
本文提出了一种基于对抗对比学习框架的谣言检测方法，该方法通过语言对齐和新的监督对比训练范式，将从充分资源的谣言数据中学到的特征适应于低资源的数据；此外，通过对抗增强机制，进一步提高低资源谣言表示的鲁棒性，实验结果表明本文提出的方法可以更好地检测出早期谣言。
Apr, 2022
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
本文介绍了一种基于社交媒体中破解新闻的顺序动态学习的方法来检测谣言的新方法，该方法使用条件随机场作为顺序分类器进行实验，与现有系统和基线相比性能优异。
Oct, 2016