从报纸、电视、门户网站到现如今的社交媒体,随着科技与互联网技术的飞速发展,人们获取信息的途径发生了巨大的变革,从单一的、中心化的信息传播方式变成了人人都可以参与的自媒体时代。凡事都有双面性,人们在弹指间获取世界各地正在发生的时事新闻的同时,也面临着大量混淆视听的虚假新闻。打击虚假新闻对净化网络环境和提高媒体公信力有重大意义。作为近几年新兴的研究课题,目前虚假新闻检测方法存在着适用性不广、时效性滞后导致的泛化性能较弱等问题,无法面对形式多样、数量众多的社交媒体短新闻。由此,本文致力于研究高效、可持续的社交媒体虚假新闻检测方法,主要工作和贡献如下:1、抽取各类社交媒体短新闻的通用结构,基于社交上下文的检测技术,主要从用户特征和用户转发行为着手,构建用户转发关系网络,并进一步提出使用带有自注意力Top K图池化机制的图卷积挖掘网络潜在结构特征,改善传统图卷积存在的特征过平滑问题,提升信息融合的效率。2、针对用户转发关系的时间先后,摈弃传统的时序数据建模方法,在网络中融入可表达各节点时序信息的位置编码,对用户转发网络中的各链路使用自注意力机制,以捕捉不同时间步间的关系,同时提升模型执行时的并行度,完成在同一网络结构下时空体系模型的构建。3、面对实际社交媒体的实时新闻数据流,静态模型由于无法学习新的传播模式,检测准确率大大降低。基于所构建的时空体系模型,提出了一种新颖的强化学习方案用于模型增量式学习,使用执行者/评论者算法选取质量较高的新数据以改善基线模型的性能。综合以上研究内容,提出了一种基于区块链、可实时监控社交媒体新闻的五层应用体系架构,并实现了对虚假新闻的精准溯源。