近日，媒体工程学院教师俞定国团队与南京大学新闻传播学院王成军教授团队合作的科研成果《TRGCN：a hybrid framework for social network rumor detection》（面向社交网络的谣言检测混合框架）在Nature子刊《Humanities and Social Sciences Communications》（《人文社科通讯》）正式发表。该论文第一作者为学院闫燕勤老师，俞定国教授为通讯作者。论文为国家社会科学基金项目《重大突发事件中社交媒体谣言的动态画像与精准治理及仿真研究》的研究成果。

  在社交网络虚假信息快速传播的现实背景下，准确高效的谣言检测对信息治理至关重要。传统谣言检测主要依赖人工分析。随着技术的持续进步，基于机器学习与深度学习的谣言识别方法逐渐出现并受到广泛关注。针对现有谣言检测方法难以兼顾社交传播中的结构依赖与语义动态这一问题，本文提出一种融合图卷积网络（GCN）与 Transformer 架构的混合模型。Granovetter（1985）将“嵌入性”思想发展为以人际关系网络为核心的关系性嵌入理论，强调个体行为并非孤立发生，而是嵌入于具体的社会连接之中，并由此获得资源、信息与约束。这一视角深刻契合谣言传播的典型特征：它不仅是文本内容的扩散，更是在用户互动网络中不断演化的社会过程。

(图：模型架构，含谣言表征、多级处理框架、谣言分类三个主要阶段)

   受此启发，本文将“嵌入性”理念操作化为双重计算路径，一方面，通过 GCN 对谣言传播的拓扑结构进行建模，显式刻画每个节点在其社会关系网络中的结构嵌入（structural embedding），从而捕捉信息扩散所依赖的连接模式与结构性约束；另一方面，引入 Transformer 架构，利用位置编码保留传播事件的时序秩序，并通过多头注意力机制在多个语义子空间中解析文本的话语策略与情感倾向，实现对谣言内容在传播语境中的语义嵌入（semantic embedding）。二者协同工作，在统一框架中呼应 Granovetter 关于社会行为深植于关系网络的核心洞见，从而实现对谣言更全面、更具社会情境感知的识别。

   通过上述融合，该框架可同时识别谣言的关键传播网络、文本内容、长距离依赖关系以及传播节点间的序列信息。在公开数据集（包括 Twitter15 和 Twitter16）上的实验结果表明，本文提出的融合模型在准确率上显著优于单一模型及现有主流方法，验证了该方法在谣言检测任务中的有效性与优越性。

据了解，《Humanities and Social Sciences Communications》是Nature旗下唯一面向人文社会科学的期刊，致力于出版人文科学、行为科学和社会科学所有领域的高水平研究，同时被SSCI与A&HCI收录，在全球人文社会科学领域具有重要影响力。《Humanities and Social Sciences Communications》在JCR社会科学分区为Q1，中科院人文科学一区。根据Web of Science 期刊引用指数，该期刊在人文学科-多学科领域（Humanities，Multidisciplinary) 的408本期刊中排名第1，在社会科学跨学科领域 (Social Sciences，Interdisciplinary) 的271本期刊中排名第2。