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

本文研究了利用图神经网络技术和机器学习算法探测社交媒体平台上的虚假新闻传播，发现图神经网络对于虚假新闻的辨别效果最好。

Mar, 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

本论文主要针对基于传播的假新闻检测，利用图神经网络实现无需文本信息的分类方法，研究了在新数据集上的性能问题，并提出了利用持续学习方法解决的方案。

Jul, 2020

通过构建多种异质社交上下文图并将问题重新定义为图分类任务，本文提出了一种高效的方法来检测虚假新闻，并在常见基准数据集上获得了鲁棒的结果，研究成果表明将不同类型的信息（以获得何种社交上下文水平最有效）与使用不同的图形神经网络架构相结合非常有效。

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

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

本研究提出了一种基于图神经网络的社交情境感知假新闻检测框架，根据内容传播的本质、用户的内容共享行为以及这些用户的社交网络聚合信息，并系统比较了几种 GNN 模型，实现了在假新闻数据集上的最新技术成果。

Aug, 2020

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

深度学习在自然语言处理方面的预训练已经彻底改变了领域，同时，对于虚假新闻检测的进展主要是基于上下文的范式驱动的，其中来自社交媒体等不同类型信号形成图状结构，除了新闻文章外还包含上下文信息。我们提议将这两个发展合并起来，将图神经网络的预训练应用到基于上下文的虚假新闻检测领域。我们的实验评估了不同的图状误信息检测预训练策略，结果表明，在该领域中，迁移学习目前并没有显著改进，相比从头开始训练模型。我们认为目前的一个主要问题是缺乏适合的大规模资源供预训练使用。

Feb, 2024