目前,新浪微博是中国活跃人数最多的社交网络平台及讯息的传播基地,信息繁多,传播自由便捷,影响力巨大,成为舆情爆发和升温的重要传播媒介。谣言自动检测任务引起自然语言处理、数据挖掘等领域研究者的强烈关注,能够用于辅助预警、预防、监控、治理等谣言清除工作。针对新浪微博、Twitter中的谣言信息检测,国内外研究者已进行了大量的研究工作,但大多数工作都利用特征工程的传统研究方法,例如从用户角度、文本角度、社交媒体网络角度,抽取信息特征,再构建分类器对信息进行识别。然而,传统方法需要语言学、心理学背景,并且抽取特征的过程繁杂,易出现特征冗余、特征缺失等现象。深度学习模型可对文本进行细化及抽象,自动抽取特征,同时将特征学习融合到模型的构建中。本文主要研究了GRU和LSTM模型在谣言检测上的应用,判断文本是否属于谣言类信息。但考虑到新浪微博平台的图结构,一条微博文本对应着多条评论信息,评论中可能包含对该条文本的态度,例如赞成、反对、怀疑等。并且,评论由多个用户发布,数量庞多,蕴含着丰富的意见或建议。因此,在本文的研究中,利用两种方法对评论进行建模,学习评论的语义表示,衡量微博文本与评论间的关系。一种方法为“基于时间序列网络的谣言检测”,将评论看作一条时间线上的各个时刻,按照时间结点展开,作为时间序列模型每个时刻的输入,并且利用注意力机制衡量每个时间结点对最终语义表示的重要程度。另一种方法为“基于记忆神经网络的谣言检测”,认为每条评论间相互独立,将每条评论放入长时记忆的记忆数组插槽中,选取与输入微博文本相关度高的评论内容参与计算,构建分类器。