研究背景

Ø社交媒体内容丰富多样，随着多媒体技术的发展，独立媒体和专业媒体开始向以图片、文字和短视频为主的多媒体信息形式转变。多媒体内容包含更丰富和更直观的信息，能更好更及时的报道时事新闻，消息也更容易被传播。

Ø社交媒体平台在现代社会新闻报道和信息传播中起到关键作用。然而，在社交媒体为用户提供了海量的信息内容的同时，媒体平台没有解决虚假信息问题。社交媒体平台的开放性也会导致谣言无限制的传播。

Ø互联网信息量大，信息的质量参差不齐，形式多种多样，普通人难以辨别数据真实性，对于具有诱导性的推文容易引起跟风转发行为，导致谣言迅速传播。

科研问题

一些最近基于深度学习的谣言检测方法通过谣言扩散的完整阶段来表示谣言，并尝试从中学习结构信息。然而，这些方法局限于将谣言传播表示为静态图，这对于捕捉谣言的动态信息并不理想。

传统图神经网络通过消息传递的机制更新节点特征。受限于网络结构和大小，对于与根节点距离较远的节点特征对于根节点特征的更新过程影响占比较小，但这往往是不可忽视的一部分。

科研目的

基于谣言在社交网络传播过程构造动态传播图，根据不同图快照类型和数量学习传播图表示并运用于下游任务。

基于谣言传播过程提取谣言的序列信息，提取谣言序列包含的时空特征，捕捉长短距离依赖关系，并与动态传播特征融合，完成谣言检测任务

研究内容