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

本文利用几何深度学习模型对推特上的新闻内容、用户画像、行为，社交网络结构与传播进行深度融合，基于传播模式的方法可以高效地提取特征，提高了对于虚假新闻的识别率，在短时间内便可可靠地便可侦测出，同时与现存的基于内容分析的方法有互补性和多个优势。

Feb, 2019

本文探讨了从在线社交网络中检测虚假新闻文章、制作者和主题的原则、方法和算法，并评估了相应性能，提出了 FAKEDETECTOR 自动虚假新闻可信度推断模型，通过从文本信息中提取的显性和潜在特征，构建了一个深度扩散网络模型，同时学习新闻文章、制作者和主题的表示。实验结果证明了所提出模型的有效性。

May, 2018

本文针对社交媒体上越来越普遍的假新闻现象展开研究，提出了一种基于新闻分级传播网络的假新闻检测方法，通过对假新闻和真实新闻的传播网络特征进行了比较分析，认为可以利用语言特征和结构特征检测假新闻，并验证了这些特征的有效性。该研究为更健康的在线新闻生态系统铺平了道路。

Mar, 2019

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

提出一种基于网络关系和社会心理理论的虚假新闻检测方法，通过分析社交网络上的新闻传播模式以及传播者之间的关系，发现并挖掘了虚假新闻传播中的规律和模式，该方法在真实数据集上的实验结果优于目前业界的其他技术。

Jun, 2019

本文介绍了 Fake News Challenge stage #1 (FNC-1) 数据集并概述了使用该数据集构建伪新闻检测系统的竞争尝试。通过使用不同的自然语言处理技术处理标题和正文文本，提取特征并使用软余弦相似性方法计算相似度。该系统使用深度学习方法进行分类，除了 “disagree” 类别外，其余类别均达到高准确性，最终分类准确率达到 84.6％，在该数据集上排名第二。

Oct, 2022

本篇论文提出了一种基于 Transformer 的新型 HetTransformer 模型，旨在有效准确地识别社交网络上的假新闻，该模型能够全面捕捉社交网络中实体的本地多模态语义和传播模式的全局结构表示。实验表明，该模型在假新闻检测方面优于现有的基线模型。

May, 2022

本文关注了假新闻的问题，并提出了一个基于 CSI 模型的自动检测框架，该框架综合分析用户和文章的行为和文本特征，相较于现有方法，具有更高的准确性和更好的泛化能力。

Mar, 2017

提出了两种基于深度学习的模型，用于在多个领域的在线新闻内容中解决虚假新闻检测问题，并在 FakeNews AMT 和 Celebrity 两个数据集上评估，取得了很好的性能并超过了当前最先进的基于手工特征工程的系统。同时，进行了跨领域分析以探索系统在不同领域的适用性。

May, 2020