社交媒体蓬勃发展,其实用便捷、开放包容等特点吸引了庞大的用户群体,使之逐渐成为人们日常生活中不可或缺的一部分。然而开放包容是一把双刃剑,它在鼓励用户通过社交平台真实表达自我的同时,也成为了不法分子散布虚假信息的摇篮。由于社交平台用户基数大、缺乏有效管控,所以信息产生容易且传播迅速。又因为社交媒体是人们获取信息的主要渠道,所以如果任由虚假信息传播,回声室效应的存在会使得消息在传播过程中逐渐扭曲,这将严重扰乱人们对事实的认知,甚至影响到政治、经济等方方面面。本文将社交平台上具有断言声明性质的声明或陈述统称为新闻,从推特中检测出假新闻是本文研究的重点。检测假新闻本质上是评估新闻的可信度,已有的假新闻检测方法从文本内容、网络结构、用户特征等角度出发,提出了较多行之有效的方法。本文在吸取前人经验的基础上,主要工作和创新点如下:1.以社交平台推特为例,深入研究了其数据表示方式及数据采集方式,提出基于用户互动网络、用户关注网络等动态构建推文传播网络的方法,最终用于近实时地构建包含用户、推文、网络等内容丰富的数据集。2.基于稀疏表征的方式分解新闻传播网络,发现了原子在真假新闻网络中的差异,进而提炼出可用以假新闻检测的原子特征,最后基于BERT模型使用迁移学习的方法,融合文本、网络、用户、原子等特征用作分类,相对单个特征来说,提升了假新闻分类的准确率。3.本文在研究的过程中也开发了一个集数据采集、数据分析、可视化等功能于一体的系统,一方面辅助本文研究工作的顺利进行,另一方面也为持续研究日益变化的假新闻特征奠定基础,且本系统具有较高的通用性。