Detection and Analysis of 2016 US Presidential Election Related Rumors on Twitter
2016年美国总统大选见证了Twitter在这一年最重要的政治事件中的重要作用。候选人广泛利用这一社交媒体平台开展在线竞选活动。与此同时，社交媒体上充斥着谣言，这可能对选民的决定产生了巨大影响。在本文中，我们对两位总统候选人的追随者的谣言推文进行了深入分析：希拉里克林顿和唐纳德特朗普。为了克服将大量推文标记为训练数据的困难，我们通过将它们与经过验证的谣言文章进行匹配来检测谣言推文。我们分析了从两位候选人的追随者那里收集的800多万条推文。我们的研究结果提供了几个主要问题的答案，在这次选举中的谣言，包括：哪一方的追随者张贴最谣言，谁张贴这些谣言，他们张贴的谣言，以及他们何时张贴这些谣言。本文的研究有助于我们理解美国政治中的网络谣言行为。
2017-04-10 cs.SI
Know it to Defeat it: Exploring Health Rumor Characteristics and Debunking Efforts on Chinese Social Media during COVID-19 Crisis
在公共危机期间，与健康有关的谣言在网上传播，可能对人们的福祉构成严重威胁。现有的危机信息学研究缺乏对健康谣言特征的深入了解，以及在大流行中在社交媒体上揭穿谣言的努力。为了填补这一空白，我们对2019冠状病毒病期间中国微博上四个月的谣言相关在线讨论进行了全面分析。结果表明，恐惧（引起恐惧）类型的健康谣言引起了显着更多的讨论，持续时间比希望（提高希望）类型。我们进一步探讨了四种社交媒体用户（即，政府、媒体、组织和个人）打击健康谣言，并确定他们分享揭穿信息的首选方式以及在此过程中使用的关键修辞策略。我们研究揭穿和谣言讨论之间的关系，使用格兰杰因果关系的方法，并显示揭穿在抑制谣言讨论，这是时间敏感性和不同的谣言类型和揭穿者的功效。我们的研究结果可以为大流行背景下社交媒体上的危机信息学和风险管理提供见解。
2022-06-10 cs.CY cs.SI
Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
Tsinghua University（清华大学）；Tencent AI Lab（腾讯人工智能实验室）
社交媒体因其传播新信息的特性在公众中迅速发展，导致谣言不断流传。与此同时，从社交媒体上的海量信息中发现谣言正成为一项艰巨的挑战。因此，一些深度学习方法被应用于通过谣言传播的方式来发现谣言，例如递归神经网络（RvNN）等，但是这些深度学习方法在谣言检测中只考虑了深度传播的模式，而忽略了广泛分散的结构。事实上，传播和扩散是谣言的两个重要特征。在本文中，我们提出了一种新的双向图模型，命名为双向图卷积网络（Bi-GCN），探索这两个特点，操作上的自上而下和自下而上的传播谣言。它利用具有自顶向下的谣言传播有向图的GCN来学习谣言传播的模式，并利用具有相反方向的谣言扩散图的GCN来捕获谣言扩散的结构。此外，在GCN的每一层都涉及到来自源帖子的信息，以增强谣言根源的影响力。令人鼓舞的实证结果在几个基准确认所提出的方法的优越性，在国家的最先进的方法。
2020-01-17 cs.LG cs.SI
Is Dynamic Rumor Detection on social media Viable? An Unsupervised Perspective
Delhi Technological University（德里理工大学）
随着互联网的日益普及和便捷，网络谣言问题也在不断升级。人们依靠社交媒体很容易获得信息，但却成为虚假信息的牺牲品。对于网上帖子缺乏可信度评估技术，以便在谣言到达时立即识别谣言。现有的研究已经通过开发机器学习和深度学习算法制定了几种打击网络谣言的机制。到目前为止，文献提供了依赖于巨大训练数据集的谣言分类的监督框架。然而，在监督学习要求迫切的在线场景中，动态谣言识别变得困难。网络谣言的早期发现是一项具有挑战性的任务，与之相关的研究相对较少。这是一个小时的需要，以确定谣言，一旦他们出现在网上。这项工作提出了一个新的框架，无监督的谣言检测依赖于一个在线帖子的内容和社会功能，使用国家的最先进的聚类技术。所提出的架构优于几个现有的基线和性能优于几个监督技术。所提出的方法，是轻量级的，简单的，和强大的，提供了适合被采用作为一种工具，在线谣言识别。
2021-11-23 cs.AI cs.SI
Detecting False Rumors from Retweet Dynamics on Social Media
众所周知，虚假的谣言对社会有不利影响。为了防止虚假谣言的传播，Twitter等社交媒体平台必须及早发现它们。在这项工作中，我们开发了一种新的概率混合模型，根据潜在的传播过程对真假谣言进行分类。具体来说，我们的模型是第一个正式的自我兴奋的性质的真实与虚假的转发过程。这导致了一种新的混合标记的霍克斯模型（MMHM）。因此，我们的模型避免了特征工程的需要;相反，它直接对传播过程进行建模，以便推断网络谣言是否不正确。我们的评估是基于13,650个转发级联的两个真的。来自Twitter的虚假谣言我们的模型识别虚假谣言的平衡准确率为64.97%，AUC为69.46%。它比最先进的基线（神经和特征工程）有相当大的优势，但同时也是完全可解释的。我们的工作对从业者有直接的影响：它利用传播过程作为一个隐含的质量信号，并在此基础上检测虚假内容。
2022-04-03 cs.SI stat.AP
Rumor Detection on Social Media with Temporal Propagation Structure Optimization
Beihang University（北京航空航天大学）
针对现有社交媒体谣言检测方法忽略传播时序与结构噪声的问题，提出结合加权时序传播树、结构熵编码树与递归神经网络的检测方法，在两个常用数据集上表现更优。
2024-12-12 cs.CL cs.SI
Rumor Detection on Social Media: Datasets, Methods and Opportunities
Alibaba Group（阿里巴巴集团）
社交媒体平台已被用于信息和新闻收集，它们在许多应用中非常有价值。然而，这也导致了谣言和假新闻的传播。已经采取了许多努力来通过使用机器学习技术分析社交媒体上的谣言的内容和社交背景来检测和揭穿谣言。本文综述了谣言检测领域的最新研究进展。它提供了一个用于谣言检测的数据集的全面列表，并根据他们利用的信息类型和他们采取的方法回顾了重要的研究。更重要的是，我们还为未来的研究提出了几个新的方向。
2019-11-17 cs.CL cs.CY cs.IR
HAT4RD: Hierarchical Adversarial Training for Rumor Detection on Social Media
National Cheng Kung University（国立成功大学）
随着社交媒体的发展，社交方式发生了变化。这在方便人们沟通和获取信息的同时，也为谣言的传播提供了理想的平台。在正常或危急情况下，谣言会影响人们的判断，甚至危害社会安全。然而，自然语言是高维稀疏的，同一条谣言在社交媒体上可能有上百种表达方式。因此，目前的谣言检测模型的鲁棒性和泛化能力受到质疑。我们提出了一种新的\textbf{h}原型\textbf{a}对抗性\textbf{t}训练方法，用于社交媒体上的\textbf{r} umor \textbf{d}检测（HAT4RD）。具体来说，HAT4RD基于梯度上升，通过向后级和事件级模块的嵌入层添加对抗性扰动来欺骗检测器。同时，检测器使用随机梯度下降来最小化对抗风险，以学习更鲁棒的模型。通过这种方式，增强了后级和事件级样本空间，并且我们已经验证了我们的模型在各种对抗攻击下的鲁棒性。此外，视觉实验表明，该模型漂移到一个区域与平坦的损失景观，导致更好的泛化。我们在来自两个常用社交平台（Twitter和微博）的三个公共谣言数据集上评估了我们提出的方法。实验结果表明，我们的模型取得了更好的结果比国家的最先进的方法。
2022-08-29 cs.CL cs.SI
Investigating Rumor Propagation with TwitterTrails
社交媒体已成为现代新闻报道的一部分，被记者用来传播信息和寻找消息来源，或被个人用作新闻来源。在Twitter等社交媒体网站上寻求突出和认可有时会掩盖准确性，并导致虚假信息的传播。作为一种研究和应对这种趋势的方法，我们引入{ \sc TwitterTrails}，这是一种基于Web的交互式工具（{ \tt twittertrails.com}），允许用户调查谣言的起源和传播特征，以及Twitter上的反驳（如果有的话）。突发活动的可视化、传播时间轴、转推和共同转推网络帮助其用户追踪故事的传播。在几分钟内，{ \sc TwitterTrails}将收集相关推文，并根据受众自动回答有关谣言的几个重要问题：谣言的起源、爆发特征、传播者和主要参与者。此外，它还将计算和报告谣言的可见性水平，作为众包力量的一个例子，受众对谣言的怀疑与谣言的可信度相关。我们将{ \sc TwitterTrails}视为个人使用的宝贵工具，但我们特别为调查最新和突发新闻的业余和专业记者提供。此外，其不断扩大的调查谣言收集可以用来回答有关Twitter上错误信息的数量和成功的问题。
2014-11-13 cs.SI
Moral Emotions Shape the Virality of COVID-19 Misinformation on Social Media
虽然虚假谣言对成功战胜COVID-19大流行构成威胁，但对谣言如何在在线社交网络中传播的理解-即使是在非危机情况下-仍处于起步阶段。在这里，我们分析了一个由来自Twitter的COVID-19谣言级联组成的大样本，这些谣言已经过第三方组织的事实核查。该数据包括N= 10，610个谣言级联，已被转发超过2400万次。我们调查了COVID-19错误信息是否比真相传播得更快，以及真假谣言传播的差异是否可以用它们所携带的道德情感来解释。我们观察到，平均而言，COVID-19错误信息比真实信息更容易传播。然而，真实性效应受到道德情感的调节：如果源推文嵌入大量谴责他人的情感词，则虚假谣言比真相更具病毒性，而更多的自我意识情感词则与较少的病毒性传播有关。这种影响对于健康错误信息和虚假政治谣言都很明显。这些发现提供了关于真实与虚假谣言如何传播的见解，并强调了在社交媒体内容中考虑道德情感家族情绪的重要性。
2022-02-08 cs.CY cs.SI
Rumor Forwarding Prediction Model Based on Uncertain Time Series
针对社交媒体谣言快速传播的问题，本文将UTSA应用于微博谣言转发行为分析，通过不确定时间序列建模及相关检验验证方法有效性，实验证明该方法能更好预测下一阶段谣言转发，对谣言治理和社媒信息传播管理有现实意义。
2024-05-15 cs.SI stat.AP
Federated Graph Attention Network for Rumor Detection
随着网络技术的发展，许多社交媒体蓬勃发展。由于互联网监管不完善，虚假谣言的传播已成为这些社交平台上的普遍问题。社交平台在运营过程中会产生谣言数据，但现有的谣言检测模型都是针对单一社交平台构建的，忽略了跨平台谣言的价值。将联邦学习范式与双向图注意力网络谣言检测模型相结合，提出了用于谣言检测的联邦图注意力网络（FedGAT）模型。利用水平联邦学习的优势进行跨平台谣言检测，可以保证各社交平台数据信息的安全。在联邦学习范式框架下，我们将服务器端和客户端模型构建为双向图注意力网络谣言检测模型。客户端的本地模型可以在迭代过程中对社交平台的谣言数据进行训练和验证，而服务器端的模型只起到聚合不同社交平台模型特征的作用，不参与模型的训练。最后，在谣言数据集上进行了仿真实验，实验结果表明本文提出的联邦图注意力网络模型能够有效地进行跨平台谣言检测。
2022-06-12 cs.SI
Enhancing Social Media Rumor Detection: A Semantic and Graph Neural Network Approach for the 2024 Global Election
The Hong Kong Polytechnic University（香港理工大学）
本文提出一种结合微调BERT语义分析与SAGEWithEdgeAttention图神经网络的社交媒体谣言检测新方法，通过引入一阶差分边属性和注意力机制实现细粒度网络结构分析，显著提升了2024年全球选举期间政治谣言检测的准确率。
2025-03-03 cs.AI cs.SI
RP-DNN: A Tweet level propagation context based deep neural networks for early rumor detection in Social Media
在社交媒体平台上，当信息有限、不完整和有噪声时，早期谣言检测（ERD）非常具有挑战性。大多数现有的方法在很大程度上都是在事件级检测上工作的，这需要收集与特定事件相关的帖子，并且只依赖于用户生成的内容。它们不适合在事件展开并广泛传播之前的早期阶段检测谣言来源。在本文中，我们解决的ERD在消息级别的任务。我们提出了一种新的混合神经网络架构，它结合了特定任务的基于字符的双向语言模型和堆叠的长短期记忆（LSTM）网络来表示输入源推文的文本内容和社会时间背景，用于在谣言发展的早期阶段对谣言的传播模式进行建模。我们应用多层注意力模型来共同学习多个上下文输入的注意力上下文嵌入。我们的实验采用了严格的留一交叉验证（LOO-CV）评估设置在七个公开的真实谣言事件数据集。我们的模型实现了最先进的（SoA）性能，可以在涵盖超过12个事件和2，967个谣言的大型增强数据中检测看不见的谣言。进行消融研究，以了解我们提出的模型的每个组件的相对贡献。
2020-03-02 cs.CL cs.IR cs.SI
A Meta Path-based Approach for Rumor Detection on Social Media
University of Tehran（德黑兰大学）；Institute for Research in Fundamental Sciences（基础科学研究所）
针对现有方法未充分利用新闻传播网络异构特性的问题，提出基于元路径嵌入的模型 MGLAN，通过提取异构谣言传播的结构特征并捕捉节点级判别能力，在三个数据集上优于其他模型。
2023-04-04 cs.LG cs.SI
Explainable Rumor Detection using Inter and Intra-feature Attention Networks
Stevens Institute of Technology（史蒂文斯理工学院）
随着社交媒体变得无处不在，来自该媒体的信息消费也增加了。然而，随着这种增长而出现的一个严重问题是谣言的传播。因此，谣言识别是一项非常关键的任务，对经济、民主以及公共健康和安全都有重要意义。在本文中，我们通过设计一个模块化的可解释架构来解决社交媒体中谣言的自动检测问题，该架构使用潜在和手工制作的功能，并且可以根据需要扩展到许多新的功能类别。这种方法将允许最终用户不仅确定社交媒体上的信息是否是真实的谣言，而且还可以解释算法得出结论的原因。使用注意力机制，我们能够解释每个特征的相对重要性以及特征类本身的相对重要性。这种方法的优点是，架构可以扩展到更多的手工制作的功能，因为它们变得可用，也进行广泛的测试，以确定这些功能在最终决策的相对影响。在流行的数据集上进行的广泛实验和对11种当代算法的基准测试表明，我们的方法在F分数和准确性方面表现得更好，同时也是可解释的。
2020-07-21 cs.CL cs.SI
The Influence of Social User Knowledge Level and Active Communication Channel Control on Rumor Spread
本研究探讨突发公共卫生事件期间社交网络上谣言的传播，并探讨有效管理网络空间虚假信息的策略。通过仿真模型，分析了传播渠道控制、政府干预、个人性格等因素对谣言传播的影响。研究结果表明，提高网民对谣言的认知和抵制能力，发展辟谣平台，促进网络信息内容“清朗”生态，是治理网络虚假信息的有效策略。然而，实际网络的复杂性和规模对建立全面的网络空间治理体系提出了挑战。研究结果为提高治理社交网络谣言传播的有效性提供了实际指导。
2023-03-24 cs.SI stat.CO
Call Attention to Rumors: Deep Attention Based Recurrent Neural Networks for Early Rumor Detection
The University of Queensland（昆士兰大学）；Deakin University（迪肯大学）；The University of New South Wales（新南威尔士大学）
社交媒体在沟通和信息传播方面的泛滥，使其成为传播谣言的理想平台。在谣言扩散阶段自动揭穿谣言被称为\textit{early rumor detection}，它指的是处理关于有争议的事实主张的连续帖子，这些事实主张随着时间的推移而发生某些变化和高度文本重复。因此，识别趋势谣言需要一个高效而灵活的模型，该模型能够捕获帖子之间的长期依赖关系，并为准确的早期检测产生不同的表示。然而，这是一个具有挑战性的任务，将传统的分类算法应用于谣言检测的早期，因为他们依赖于手工制作的功能，需要密集的人工努力的情况下，大量的职位。本文提出了一种基于循环神经网络（RNN）的深度注意模型，用于学习序列帖子的\textit{selectively}时间隐藏表示，以识别谣言。该模型将软注意力深入到递归中，同时汇集出具有特定焦点的不同特征，并产生隐藏的表示，以捕获相关帖子随时间的上下文变化。在社交媒体网站上收集的真实数据集上进行的大量实验表明：（1）基于深度注意力的RNN模型优于依赖手工特征的最新技术;（2）软注意力机制的引入可以有效地提前从原始帖子中提取谣言的相关部分;（3）所提出的方法比竞争对手更快，更准确地检测谣言。
2017-04-20 cs.CL cs.SI
Rumor Detection and Classification for Twitter Data
The George Washington University（乔治·华盛顿大学）
随着在线媒体数据作为信息源的普及，验证这些信息的有效性变得更加重要，但也相当具有挑战性。谣言在微博上传播了大量的错误信息。在这项研究中，我们解决两个常见的问题，在微博社会媒体的背景下。首先，我们检测谣言作为一种错误信息传播，然后我们超越检测来执行谣言分类的任务。我们使用标准数据集来探索这个问题。我们设计新的功能，并研究它们对任务的影响。我们实验了各种级别的预处理作为分类的先驱，以及分组的功能。我们在RDC任务中实现了超过0.82的f-measure在混合谣言数据集和84%的单一谣言数据集使用两步分类方法。
2019-11-25 cs.LG cs.SI stat.ML
Heterogeneous Graph Attention Networks for Early Detection of Rumors on Twitter
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Macquarie University（麦考瑞大学）；Xiaomi AI Lab（小米人工智能实验室）
随着移动互联网技术的快速发展和移动设备的广泛使用，人们在社交媒体上表达自己的意见变得更加容易。社交媒体平台的开放性和便利性为人们提供了自由表达的机会，但也引发了新的社会问题。社交媒体上虚假谣言的泛滥会带来公众的恐慌，损害个人声誉，这使得谣言自动检测技术变得尤为必要。现有的大多数谣言检测方法都集中在从文本内容、用户简档和传播模式中挖掘有效特征。然而，这些方法并没有充分利用文本内容的全局语义关系，这体现了谣言的语义共性作为检测谣言的关键因素。本文基于谣言的文本内容和源推文传播，构建了一个推文-词-用户异质图。提出了一种基于元路径的异构图注意力网络框架，用于捕获文本内容的全局语义关系，以及源推文传播的全局结构信息，用于谣言检测。真实世界的Twitter数据上的实验证明了所提出的方法的优越性，它也具有相当的能力，在非常早期的阶段检测谣言。
2020-06-10 cs.IR cs.LG cs.SI
Enhancing Rumor Detection Methods with Propagation Structure Infused Language Model
School of Computer Science and Technology & Beijing Key Lab of Traffic Data Analysis and Mining（计算机科学与技术学院及北京交通数据与挖掘重点实验室）
针对PLMs在谣言检测任务表现不佳的问题，提出持续预训练策略PEP，通过预测帖子间关系注入传播结构信息，并构建大规模语料库训练定制模型SoLM，显著提升了基线模型及少样本场景下的检测准确率。
2025-08-10 cs.CL cs.SI
Graph Representation Learning with Massive Unlabeled Data for Rumor Detection
School of Computer；Information Technology \& Beijing Key Lab of Traffic Data Analysis
本研究利用微博和推特的大规模无标注话题数据，结合图自监督方法（InfoGraph、JOAO、GraphMAE）提升谣言检测的泛化能力，实验证明其优于专门设计的谣言检测方法，并在少样本条件下表现良好。
2025-08-06 cs.CL cs.SI
Rumor Stance Classification in Online Social Networks: The State-of-the-Art, Prospects, and Future Challenges
University of Tehran（德黑兰大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）；University of Alberta（阿尔伯塔大学）；Nazarbayev University（纳扎尔巴耶夫大学）
本文针对复杂在线社交网络中的谣言立场分类任务开展全面文献综述，梳理对比各类方法的性能，介绍可用数据集及其局限，并提出未来挑战与研究方向以推动相关研究。
2022-10-31 cs.NI cs.SI
Detection of Rumors and Their Sources in Social Networks: A Comprehensive Survey
本文综述社交网络中谣言检测与谣言来源检测研究，强调联合处理两类问题的关联、异同、局限及未来挑战。
2025-01-09 cs.SI
Modeling Conversation Structure and Temporal Dynamics for Jointly Predicting Rumor Stance and Veracity
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
自动验证谣言信息已经成为自然语言处理和社交媒体分析中一项重要且具有挑战性的任务。以往的研究表明，人们对谣言信息的态度可以为判断谣言的真实性提供指示性线索，因此确定公众反应的态度是谣言真实性预测的关键前一步。在本文中，我们提出了一个分层的多任务学习框架，用于联合预测Twitter上的谣言立场和真实性，它由两个组件组成。我们的框架的底部组件分类的立场，在讨论谣言的对话通过建模的结构属性的基础上一种新的图卷积网络的推文。顶部组件预测谣言的真实性，利用立场演变的时间动态。在两个基准数据集上的实验结果表明，该方法在谣言立场分类和准确性预测方面都优于以往的方法。
2019-09-18 cs.CL cs.SI
VGA: Vision and Graph Fused Attention Network for Rumor Detection
Beijing Jiaotong University（北京交通大学）
本文提出视觉与图融合注意力网络VGA，利用传播结构获取群体意见，并挖掘图像篡改特征和隐藏文本，在多模态谣言检测上显著超越现有方法。
2024-01-03 cs.CL cs.CV cs.MM
Rumor Detection on Social Media with Reinforcement Learning-based Key Propagation Graph Generator
The Chinese University of Hong Kong（香港中文大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
针对社交媒体谣言检测中传播图噪声和结构不足的问题，提出基于强化学习的KPG框架，通过生成关键传播图提升检测性能，在四个数据集上优于现有方法。
2025-06-22 cs.AI cs.LG cs.SI
Towards Real-World Rumor Detection: Anomaly Detection Framework with Graph Supervised Contrastive Learning
School of Computer Science and Technology & Beijing Key Lab of Traffic Data Analysis and Mining（计算机科学与技术学院及北京交通数据挖掘与分析重点实验室）
针对真实世界谣言数据不平衡与稀缺问题，构建Weibo和Twitter大规模对话数据集，提出图监督对比学习异常检测框架AD-GSCL，在平衡、不平衡及少样本条件下均表现优越。
2025-08-10 cs.CL cs.SI
Simulating Rumor Spreading in Social Networks using LLM Agents
University of Texas at Austin（德克萨斯大学奥斯汀分校）
本研究提出基于LLM智能体的框架，在多种网络结构中模拟谣言传播，发现网络结构、人设和传播方案显著影响传播范围，最高可影响83%的智能体。
2025-02-03 cs.AI cs.SI
Region-enhanced Deep Graph Convolutional Networks for Rumor Detection
社交媒体因其易于传播新信息而在公共领域迅速发展，这导致了谣言的传播。然而，从如此海量的信息中检测谣言正成为一个越来越艰巨的挑战。以前的工作一般从传播信息中获得有价值的功能。应该注意的是，大多数方法只针对传播结构，而忽略了谣言传播模式。这种有限的关注严重限制了点差数据的收集。为了解决这一问题，本研究的作者有动机探索谣言的区域化传播模式。具体而言，提出了一种新的区域增强的深度图卷积网络（RDGCN），其通过学习区域化的传播模式来增强谣言的传播特征，并通过无监督学习来训练学习传播模式。此外，本文还设计了一个源增强的残差图卷积层（SRGCL）来改善图神经网络（GNN）的过平滑性，并提高了基于谣言检测方法的GNN的深度限制。在Twitter15和Twitter16上的实验表明，该模型在谣言检测和早期谣言检测方面优于基线方法。
2022-11-23 cs.AI cs.SI
Cost Effective Rumor Containment in Social Networks
通过社交媒体和在线社交网络传播谣言不仅会扰乱公民的日常生活，还会造成生命和财产损失。当个人无法确定信息的真实性时，谣言就会传播开来，错误地将谣言当作真实的信息并将其传递给他们的熟人。我们提出了一个解决方案，其中一组个人（基于他们的程度）在社交网络中进行训练，并提供资源，以帮助他们区分谣言从真正的信息。通过制定一个优化问题，我们计算出最佳的个人，谁必须接受培训，和培训的质量，最大限度地减少预期的培训成本，并确保谣言爆发的规模上界。我们的主要贡献是，虽然最优化问题原来是非凸的，我们表明，这个问题是等价于解决一组线性规划。这一结果也使我们能够解决的问题，最小化的谣言爆发的大小为给定的成本预算。最佳解决方案显示了一个有趣的模式，可以作为一个启发式实现。这些结果可以证明是非常有用的社会规划和执法机构，防止危险的谣言和错误的信息流行。
2014-04-27 cs.SI physics.soc-ph
TRGCN: A Hybrid Framework for Social Network Rumor Detection
Communication University of Zhejiang（浙江传媒学院）；Zhejiang Key Laboratory of Film and TV Media Technology（浙江省影视媒体技术重点实验室）；Nanjing University（南京大学）
本文提出TRGCN混合框架，结合图卷积网络与Transformer，有效捕捉社交网络中节点的序列与全局结构关系，提升谣言检测准确性。
2026-01-20 cs.SI physics.soc-ph
Towards Trusted Social Networks with Blockchain Technology
大规模的谣言传播会造成严重的社会和经济损失。网络社交网络和新媒体的出现甚至会使谣言传播更加严重。有效控制谣言传播具有重要的理论和现实意义。本文迈出了第一步，了解区块链技术如何帮助限制谣言的传播。具体来说，我们开发了一种嵌入区块链技术的社交网络的新范式，它采用去中心化合同来激励信任网络以及安全的信息交换合同。我们设计了一种基于区块链的顺序算法，该算法利用虚拟信息信用进行每个对等信息交换。我们验证了区块链社交网络在限制谣言传播方面的有效性。仿真结果验证了我们的算法设计在避免快速和激烈的谣言传播，并激励更好的机制设计的可信社交网络。
2018-02-22 cs.SI physics.soc-ph
Rumor Classification through a Multimodal Fusion Framework and Ensemble Learning
Université de Lyon（里昂大学）；Laboratoire Cogitamus（科吉塔穆斯实验室）
社交媒体上的谣言扩散已成为一个主要问题，因为它能够造成毁灭性的影响。手动评估社交媒体消息的准确性是一项非常耗时的任务，机器学习可以提供很大帮助。大多数消息真实性验证方法仅利用文本内容和元数据。很少有人同时考虑文本和视觉内容，特别是图像。此外，先前的工作已经使用了许多经典的机器学习模型来检测谣言。然而，尽管最近的研究已经证明了集成机器学习方法的有效性，但这种模型很少被应用。因此，在本文中，我们提出了一套先进的图像质量评估领域的启发，并介绍了多模态融合框架来评估社交网络（MONITOR），它利用所有的消息功能，通过探索各种机器学习模型的消息的真实性。此外，我们证明了集成学习算法的谣言检测的有效性，通过使用五个元学习模型。最后，我们在两个真实世界的数据集上进行了广泛的实验。结果表明，MONITOR的性能优于最先进的机器学习基线，集成模型显著提高了MONITOR的性能。
2023-01-04 cs.AI cs.CL cs.CV
Attention Based Neural Architecture for Rumor Detection with Author Context Awareness
University of Central Florida（中佛罗里达大学）
社交媒体的普及使全球信息共享成为可能。不幸的是，不利的一面是错误信息的广泛传播。在大多数以前的谣言分类器中应用的方法对微博中的单词给予同等的权重或关注，并且不考虑微博内容之外的上下文;因此，准确性变得稳定。在这项研究中，我们提出了一个集成神经架构来检测Twitter上的谣言。该体系结构结合了作者的单词注意力和上下文，以提高分类性能。特别地，单词级注意力机制使得架构在构造文本表示时能够更加强调重要单词。为了得到进一步的上下文，利用由个人作者撰写的微博帖子，因为它们可以反映传播信息的风格和特征，这是帮助分类共享内容是谣言还是合法新闻的重要线索。在从两个著名的谣言跟踪网站收集的真实世界Twitter数据集上进行的实验表明了有希望的结果。
2019-09-19 cs.LG cs.SI stat.ML
Rumor Detection with Self-supervised Learning on Texts and Social Graph
University of Science and Technology of China（中国科学技术大学）；Beijing Electronic Science and Technology Institute（北京电子科技学院）
谣言检测是近年来新兴的研究领域。其核心是对丰富信息中固有的谣言特征进行建模，例如社交网络中的传播模式和帖子内容中的语义模式，并将其与真相区分开来。然而，现有的谣言检测工作在建模异构信息方面存在不足，要么只使用单个信息源（例如社交网络或帖子内容），要么忽略多个源之间的关系（例如通过简单的级联融合社交和内容特征）。因此，它们在全面理解谣言和准确检测谣言方面可能存在缺陷。在这项工作中，我们探讨了对比自监督学习异质信息源，以揭示它们之间的关系，更好地描述谣言。从技术上讲，我们补充了主要的监督任务的检测与辅助自我监督任务，丰富后表示通过后自我歧视。具体地，给定帖子的两个异构视图（即，对社交模式和语义模式进行编码的表示），通过最大化相同帖子的不同视图与其他帖子的不同视图之间的互信息来进行区分。考虑到信息源的不同关系，我们设计了基于集群和基于实例的方法来生成视图并进行区分。我们称这个框架为自监督谣言检测（SRD）。在三个真实数据集上的大量实验验证了SRD在社交媒体上自动谣言检测的有效性。
2022-04-19 cs.LG cs.SI
Predicting Viral Rumors and Vulnerable Users for Infodemic Surveillance
School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）
本文提出统一图神经网络模型，通过预训练用户嵌入、交叉注意力与社区增强易感性传播方法，结合多任务训练策略，联合预测病毒式谣言与易感用户，并在自建数据集上验证其在三项任务中优于基线，为信息疫情监测提供有效工具。
2024-01-18 cs.CL cs.SI
Enhancing Temporal Link Prediction with HierTKG: A Hierarchical Temporal Knowledge Graph Framework
提出HierTKG框架，结合时序图网络与分层池化，建模谣言传播动态，提升时序链接预测性能，在多个数据集上取得高MRR，支持实时干预。
2024-12-16 cs.AI cs.SI
CausalMamba: Interpretable State Space Modeling for Temporal Rumor Causality
University of California, Berkeley（加州大学伯克利分校）
CausalMamba通过整合Mamba、GCNs和可微因果发现，实现对谣言传播因果关系的可解释建模与分析。
2025-11-20 cs.LG cs.SI
ICE: Information Credibility Evaluation on Social Media via Representation Learning
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
随着社交媒体的迅速发展，谣言也在社交媒体上广泛传播，并给人们的日常生活带来危害。目前，信息可信性评估已引起学术界和产业界的广泛关注。目前的方法主要集中在特征工程上，并取得了一定的成功。然而，基于特征工程的方法需要大量的劳动，不能充分揭示数据之间的潜在关系。在我们的观点中，评估可信度的用户行为的关键要素被归纳为“谁”、“什么”、“何时”和“如何”。这些现有的方法不能模拟微博传播过程中不同关键要素之间的相关性。在本文中，我们提出了一种新的表示学习方法，信息可信度评估（ICE），学习社会媒体上的信息可信度的表示。在ICE中，潜在的表示学习建模用户的可信度，行为类型，时间属性和评论态度。这些因素在微博传播过程中的聚合产生了用户行为的表征，这些动态表征的聚合产生了事件在社交媒体上传播的可信度表征。此外，还采用成对学习方法来最大化谣言与非谣言之间的可信度差异。为了评估ICE的性能，我们在新浪微博数据集上进行了实验，实验结果表明，我们的ICE模型优于最先进的方法。
2016-10-24 cs.AI cs.SI
Jointly embedding the local and global relations of heterogeneous graph for rumor detection
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
社交媒体的发展彻底改变了人们沟通、分享信息和决策的方式，但也为发布和传播谣言提供了理想的平台。现有的谣言检测方法集中于从文本内容、用户简档和传播模式中寻找线索。然而，消息传播图中的局部语义关系和全局结构信息并没有被以前的工作很好地利用。在本文中，我们提出了一种新的全局-局部注意力网络（GLAN）的谣言检测，它联合编码的局部语义和全局结构信息。我们首先通过融合相关转发的语义信息和注意力机制，为每个源推文生成一个更好的综合表示。然后，我们将所有源推文，转发和用户之间的全局关系建模为异构图，以捕获用于谣言检测的丰富结构信息。我们在三个真实世界的数据集上进行了实验，结果表明，GLAN在谣言检测和早期检测场景中的性能明显优于最先进的模型。
2019-09-11 cs.CL cs.IR cs.SI
LLM-Enhanced Rumor Detection via Virtual Node Induced Edge Prediction
Department of Data Science and Artificial Intelligence（数据科学与人工智能系）；Hong Kong Polytechnic University（香港理工大学）；School of Mathematical Sciences（数学科学学院）；Shanghai Jiao Tong University（上海交通大学）
本文提出一种整合大语言模型的谣言检测框架，通过引入虚拟节点捕捉文本连贯性，改进传统方法对文本连贯性与传播动态的建模能力。
2026-03-22 cs.AI cs.SI
The Role of Follow Networks and Twitter's Content Recommender on Partisan Skew and Rumor Exposure during the 2022 U.S. Midterm Election
本研究利用自动化账户分析Twitter算法推荐与关注网络在2022年美国中期选举中对党派偏差和谣言暴露的影响，发现算法信息流减少左倾账户的选举内容并偏向右倾来源，且社交网络党派构成比算法影响更大。
2025-09-11 cs.CY cs.SI
Rumor Detection with Hierarchical Representation on Bipartite Adhoc Event Trees
University of Technology Sydney（悉尼科技大学）；Beijing Institute of Technology（北京理工大学）；Tongji University（同济大学）；DeepBlue Academy of Sciences（深兰科学院）；University of Sydney（悉尼大学）
本文提出 BAET 模型，通过构建作者树与帖子树组成的二分临时事件树，并结合层次化注意力与树状 RNN 表示，提升谣言检测性能。
2023-04-27 cs.AI cs.SI
Semantic Evolvement Enhanced Graph Autoencoder for Rumor Detection
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
针对现有谣言检测方法忽略事件传播中语义演化信息的问题，提出语义演化增强的图自编码器GARD模型，通过捕获局部和全局语义变化并结合传播结构，引入均匀性正则化器，在整体性能和早期检测上优于现有方法。
2024-04-24 cs.AI cs.CL cs.LG
Toward Effective Multi-Domain Rumor Detection in Social Networks Using Domain-Gated Mixture-of-Experts
University of Tehran（德黑兰大学）；Hazrat-e Masoumeh University（圣马苏梅大学）；Iran Telecommunication Research Center (ITRC)（伊朗电信研究中心）
本研究提出一种多领域谣言检测模型，通过领域门控专家混合方法提升跨领域检测性能，实现高准确率的谣言分类。
2026-01-28 cs.CL cs.IR cs.SI
Probing Spurious Correlations in Popular Event-Based Rumor Detection Benchmarks
National University of Singapore（新加坡国立大学）
随着社交媒体成为错误信息传播的温床，谣言检测的关键任务已经见证了开源基准数据集所带来的有希望的进步。尽管被广泛使用，但我们发现这些数据集存在虚假相关性，这些相关性被现有的研究所忽略，并导致严重高估现有的谣言检测性能。虚假的相关性源于三个原因：（1）基于事件的数据汇集和标签方案将相同的真实性标签分配给来自同一基础事件的多个高度相似的帖子;（2）合并多个数据源虚假地将源身份与真实性标签相关联;以及（3）标签偏差。在本文中，我们仔细研究了三个最流行的谣言检测基准数据集（即，Twitter 15，Twitter 16和PHEME），并提出事件分离的谣言检测作为一种解决方案，以消除虚假的线索。在事件分离设置下，我们观察到现有最先进模型的准确性显著下降了40%以上，仅与简单的神经分类器相当。为了更好地解决这一任务，我们提出了出版商风格聚合（PSA），一种可推广的方法，聚合出版商发布记录，以了解写作风格和准确性的立场。大量的实验表明，我们的方法优于现有的基线的有效性，效率和泛化能力。
2022-09-19 cs.AI cs.CL cs.SI
Propagation Tree Is Not Deep: Adaptive Graph Contrastive Learning Approach for Rumor Detection
针对谣言传播树呈宽泛浅层结构的特点，提出自适应图对比学习方法RAGCL，通过基于节点中心性的视图增强生成稳健谣言表示，在四个基准数据集上优于现有方法。
2025-08-10 cs.AI cs.CL cs.SI
A Kernel of Truth: Determining Rumor Veracity on Twitter by Diffusion Pattern Alone
Harvard University（哈佛大学）；Kensho Technologies（肯肖科技）；Harvard Data Science Initiative（哈佛数据科学倡议）
最近在错误信息检测领域的工作利用了与社交媒体上的内容相关联的文本和用户身份中的丰富信号。但文本可以被策略性地操纵，账户可以用不同的别名重新打开，这表明这些方法本质上是脆弱的。在这项工作中，我们研究了一种自然鲁棒的替代模态：信息传播的模式。一个未经证实的网上谣言的真实性是否可以仅仅根据它在社交网络中的传播模式来判断？使用图形内核从Twitter级联结构中提取复杂的拓扑信息，我们训练准确的预测模型，这些模型对语言，用户身份和时间都是盲目的，首次证明这种“净化”的扩散模式具有高度的准确性。我们的研究结果表明，通过适当的聚集，群体的集体共享模式可以揭示谣言真实或虚假的强大信号，即使在传播的早期阶段。
2020-02-06 cs.LG cs.SI stat.ML
MONITOR: A Multimodal Fusion Framework to Assess Message Veracity in Social Networks
Université de Lyon（里昂大学）
社交网络的用户倾向于几乎没有约束地发布和共享内容。因此，谣言和假新闻可以迅速大规模传播。这可能对社交媒体的可信度构成威胁，并可能在现实生活中造成严重后果。因此，谣言检测和验证的任务变得极为重要。评估社交媒体消息的真实性（例如，通过事实检查器）涉及分析消息的文本、其上下文和任何多媒体附件。这是一个非常耗时的任务，机器学习可以提供很大的帮助。在文献中，大多数消息准确性验证方法仅利用文本内容和元数据。很少有人同时考虑文本和视觉内容，特别是图像。在本文中，我们第二个假设是，利用社交媒体帖子的所有组件可以提高准确性检测的准确性。为了进一步发展最新技术，我们首先建议使用一组受图像质量评估领域启发的高级图像特征，这有效地有助于谣言检测。这些指标是检测虚假图像的良好指标，即使是那些由生成对抗网络（GANs）等先进技术生成的图像。然后，我们引入多模态融合框架来评估社交网络中的消息真实性（MONITOR），该框架利用了所有消息特征（即，文本、社会背景和图像特征）。这样的算法提供了决策的可解释性和可解释性，我们认为这在谣言验证的背景下特别重要。实验结果表明，MONITOR在MediaEval基准测试和FakeNewsNet数据集上的谣言检测准确率分别为96%和89%。这些结果明显优于最先进的机器学习基线。
2021-09-06 cs.AI cs.DB cs.SI
Interpretable Rumor Detection in Microblogs by Attending to User Interactions
DSO National Laboratories（国防科技研究院）；Singapore Management University（新加坡管理大学）
我们通过学习区分社区对微博中真实和虚假声明的反应来解决谣言检测问题。现有的最先进的模型是基于对会话树进行建模的树模型。然而，在社交媒体中，发布回复的用户可能是回复整个线程，而不是回复特定用户。我们提出了一个后级注意力模型（post-level attention model），用于描述Transformer网络中具有多头注意力机制的推文之间的长距离交互。我们研究了该模型的变体：（1）结构感知的自注意模型（StA-HiTTH），它在Transformer网络中包含树结构信息，以及（2）分层令牌和后级注意模型（StA-HiTTH），它学习具有令牌级自注意的句子表示。据我们所知，我们是第一个在两个谣言检测数据集上评估我们的模型的人：PHEME数据集以及Twitter 15和Twitter 16数据集。我们表明，我们最好的模型优于目前的最先进的模型，这两个数据集。此外，注意力机制使我们能够解释谣言检测预测在令牌级和后级。
2020-01-29 cs.CL cs.IR cs.SI
Focusing on Relevant Responses for Multi-modal Rumor Detection
针对多模态谣言检测中无关回应干扰问题，提出焦点推理模型（FoRM），通过粗粒度选择过滤无关回应并细粒度推理验证声明，在两个真实数据集上优于基线。
2023-06-18 cs.MM cs.SI
Epidemiology-informed Network for Robust Rumor Detection
针对传播树深度差异导致图模型性能不稳的问题，本文提出融合流行病学知识的 EIN，并用大语言模型生成用户立场标签，在真实数据集上实现更优且更鲁棒的谣言检测。
2025-07-25 cs.IR cs.SI
Collaboration and Controversy Among Experts: Rumor Early Detection by Tuning a Comment Generator
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
针对谣言早期检测中评论不足的问题，本文提出CAMERED框架，通过模拟专家协作与争议调优评论生成器，生成逼真评论并与原始评论融合，显著提升了早期检测性能。
2025-04-05 cs.CL cs.SI
