近年来,互联网技术发展迅速,随着5G移动通信的普及,我们进入了一个万物互联的世界,人们的社会活动逐步从线下转至线上,社交媒体不再只是传统意义上个体之间互动交流的工具。受新冠肺炎疫情影响,在线媒体使用人数和人均使用时长都迅速增长,基于在线社交平台的新闻发布、直播带货和社交营销等发展迅猛,逐步渗透到生活的方方面面。在线社交媒介的高速发展伴随着信息爆炸,用户在社交媒体上发布、转发内容非常便捷,这也导致平台使用者不得不面对大量鱼龙混杂的内容。社交媒体的活跃有助于重要的信息迅速传达到个人,但也导致许多虚假的、有害的消息广泛流通,恶化了媒体环境,其中社交网络上假新闻的传播引起了人们的担忧,如何精准地识别假新闻成为一个亟待解决的技术问题。社交媒体的蓬勃发展新产生了大量的数据,为研究用户社交网络和相关问题提供了基础。目前假新闻识别的相关研究主要从新闻内容出发,使用自然语言处理方法提取信息,结合机器学习模型进行预测。基于新闻内容的方法一般只对限定领域有效,针对不同内容需要训练不同模型。本文基于社交网络的结构信息进行假新闻检测的研究,分析用户相互关注形成的友谊网络,挖掘参与新闻帖子互动的用户网络特征,构建了性能优良的类别广义张量CP分解模型。具体工作和贡献如下:本文对参与新闻互动的用户进行了复杂网络分析。针对用户与用户之间的关注行为构建友谊网络,经统计分析验证了新闻用户网络具有无标度特性、小世界性,说明基于友谊网络分析社交媒体中假新闻传播的合理性。本文结合用户社交网络和新闻互动关系,使用三维张量把两组二元关系统一,表示成一个层次化的新闻用户互动网络。利用传统机器学习方法构建基于社交网络的假新闻分类模型,并构建基于广义张量分解的类GCP模型。实验结果显示类别广义张量分解模型准确率达到88.45%,能有效检测出社交媒体中的虚假新闻,综合性能优于其他分类模型。本文提出了基于广义张量分解的联合优化模型。在优化中结合类别标签数据,同时使用张量分解损失和分类损失作为代价函数,实现了类别驱动的张量分解。这种分解方法将新闻的类别和张量因子分解统一,使互动张量的因子按类别同化为相似的潜在表示,挖掘到假新闻与用户互动网络的结构信息,提高了分类性能。本文所提出的类别广义张量分解方法首次将广义张量CP分解工具应用于假新闻分类问题,是对借助张量工具处理高维数据和解决现实问题的一个重要探索。