近年来,随着社交媒体的兴起,谣言所带来的问题比以往任何时候都更加严重。由于谣言涉及经济、健康、政治等公共话题,其真实性、正确性无法被及时验证或永远都没有办法被验证。这些谣言带有未经证实甚至是虚假的信息,可能会引起公众恐慌,进而造成严重的经济损失,对社会产生不良影响。面对社交媒体上的海量信息,专业人士鉴别谣言所需的时间和精力是巨大的,且存在识别滞后,覆盖不全面等问题。因此研究和设计兼具准确率,覆盖率以及及时性的谣言自动识别方法具有重要意义,能够在谣言形成有效规模前及时辟谣并删除,降低后续不良影响,防患谣言于未然。本研究正是基于这样的出发点,利用采集到的微信谣言数据集,结合分层注意力网络、深度强化学习、生成对抗学习等方法,设计并实现了混合谣言检测算法和早期谣言检测算法。本文主要进行了以下几方面的工作:(1)采集构建了微信谣言数据集,并对其进行预处理与分析。具体来说,首先,通过网络爬虫爬取微信公众号文章,获取了大量的谣言事件与真实事件的文本和社交上下文信息。其次,为了后续的分析及建模任务,进行了清洗、分词、去停词三项预处理操作。随后,我们分别从时序性和文本内容角度,分析了谣言与非谣言在分布上的差异,并讨论了呈现这些差异的原因。(2)设计了基于分层注意力网络的混合谣言检测方法。提出了 HHAN(Hybrid Hierarchical Attention Network)模型,该模型结合了社交媒体上事件的层次化语义信息和时序信息;此外,提取基于时间和基于内容的统计特征,并将其集成到模型中。通过在微信谣言数据集上进行的大量实验,验证了我们提出的HHAN模型在谣言检测任务上的有效性。(3)设计了结合分层注意力网络和强化学习技术的早期谣言检测方法。提出了 HAN-ERD(Hierarchical Attention Network-Early Rumor Detection)模型,该模型一方面利用分层注意力网络建模层次化语义信息和时序信息,保证良好的检测效果;另一方面,利用深度强化学习技术,实现检查点模块,使之能够学习触发检测模块所需的贴子数,达到早期检测的效果。并进一步地,利用生成对抗学习技术,结合前两个模块,使HAN-ERD模型既能保持良好的检测表现,又能保证检测的及时性。最后,我们在微信谣言数据集上进行了实验,验证了 HAN-ERD方法在早期谣言检测任务上的有效性。