信息技术快速发展,社交媒体逐渐取代了传统媒体,信息在社交媒体上快速传播的同时,也给虚假新闻传播带来了可乘之机,虚假新闻对于个人和整个社会都有潜在的危害。新闻传播过程中的用户交互形成了一个复杂的异构图,其中评论和传播是两个重要组成部分,并且都包含了可用于评估新闻真实性的特征。现有的虚假新闻检测模型存在较多缺陷,在评论特征提取上,传统词向量与循环神经网络结合的文本表示方式,语义表达能力弱,评论回复结构保留和冗余评论去除等方面考虑不全面,在传播网络方面,也没有充分利用网络中存在的群体信息。考虑到现有模型的不足,基于评论交互和传播交互,提出了交互图分层池化的虚假新闻检测模型CPGP（Comment-Propagation Graph Pooling）。利用用户交互构建得到评论图和传播图,其中评论图以评论为主,并结合新闻句子以及与评论相关的推文作为结点,属性为对应的文本,边代表回复关系或内容相似关系,并使用预训练Bert提取文本语义;传播图以新闻作者、原推用户、转发用户作为图中结点,并根据朋友圈关系对传播结构进行重建,并以用户资料作为结点属性。CPGP模型使用图神经网络学习图结点潜在特征,对于评论图,使用基于结点选择的方式对评论图进行分层池化,以保留关键内容结点;对于传播图,使用基于结点聚类的方式对传播图进行分层池化,以捕捉传播群体特征。模型CPGP依据池化前的图特征学习具体方式,分为使用图卷积神经网络的CPGP-GCN模型,以及使用图注意力网络的CPGP-GAT模型。在Fake News Net数据集上,提出的模型与多个基线模型进行了实验对比。实验结果表明,CPGP-GCN、CPGP-GAT模型的综合性能均优于其它模型,且CPGP-GCN模型整体性能要优于CPGP-GAT。在Fake News Net的Gossip Cop子数据集上,性能较优的CPGP-GCN准确率和F1分数,比基线模型相应最优的指标分别提升了4.02%和3.66%,在Politi Fact子数据集上则分别提升了3.87%和3.23%。消融实验结果也验证了用户评论和传播信息对于新闻真实性评估的重要性,且二者具有互补作用。