随着互联网的发展,越来越多的创作者在社交媒体上发表文章。如何从大量的多媒体文章中自动过滤出高质量的内容,是信息推荐、搜索引擎等系统的核心功能之一。然而,现有的方法存在三个局限性:（1）已存在的方法一般将内容建模为词序列,从而忽略了长距离单词依赖以及非连续短语。（2）由于现有的方法大多只关注文本内容,忽略了社交媒体平台上的内容具有多模态信息（如:文本、图像）。（3）它们依赖大量人工标注的数据来训练质量评估模型,而在现实中,用户可能仅为少数样本提供单个类中感兴趣的标签。为了解决这些限制,我们提出了多模态图卷积网络（MGCN）以及跨模态注意力网络（CMAM）。为了可以捕获文本中长距离单词依赖关系以及非连续短语,我们提出了多模态图卷积网络。不像其他方法那样将文本信息转化为单词序列,我们将文本信息建模成一个图。同时,我们将视觉信息转化为对应的单词,并将这些单词建模到图中,以此来实现不同模态间的语义互补。另外,我们还采用了一个非负风险估计器来进行高质量内容识别,并将损失反向传播来进行模型学习。从而在标记样本很少的情况下实现了高质量内容识别。为了更好的融合多模态特征以及捕获模态间和模态内的关系,我们提出了跨模态注意力网络。首先我们使用预训练模型BERT和Res Net50分别为单词内容和图片区域提取编码信息,之后通过一个跨模态注意力网络来提取单词特征与单词特征、图片区域特征与图片区域特征以及单词特征和图像区域特征之间的相关性。从而得到了更准确的多模态特征表示,以实现高质量内容识别。在真实的高质量数据集上的大量实验验证了我们的模型优于目前最先进的方法。另外我们还在LIAR数据集（一个真假新闻的公共数据集）进行了一些实验,以此来评估我们模型的有效性。