社交媒体极大的提高了人们获取新信息的时效性和便捷性,但是,社交媒体的不受限制以及缺乏监管的特性也导致了社交媒体谣言的出现和传播。近年来,社交媒体快速发展,社交媒体带来的谣言问题也日益严重,从社交媒体如此大量的信息中发现谣言已经成为一项艰巨的挑战。传统的社交媒体谣言检测模型使用人工构建的特征来训练有监督的分类器,但是人工构造的特征无法准确的表示谣言的文本;深度学习模型可以自动的提取谣言的文本特征和传播特征,这种方法仅仅从文本本身内容之中提取特征,缺乏外部知识的引入,并且传统的深度学习模型无法有效的关注社交媒体谣言的传播特征和广度散布特征。基于现有社交媒体谣言检测方法的缺点,本文提出了基于知识增强表示和双向图卷积网络的社交媒体谣言检测模型,本文的主要贡献包括:1).为了对社交媒体谣言传播节点的文本进行更好的表示,本文提出了知识增强的文本表示,引入知识图谱作为额外的先验知识提高文本表示效果。首先使用知识图谱预训练知识图谱嵌入模型以获取实体的嵌入结果,然后,对于每一个传播节点,在传统的文本表示基础上融入实体表示,从而对文本进行知识增强表示。2).将社交媒体谣言传播网络组织成为自顶向下的传播图和自底向上的传播图两种形式,设计自顶向下的图卷积网络提取谣言事件的传播特征,同时设计自底向上的图卷积网络提取谣言事件的散布特征,融合双向图卷积网络的结果更好的对社交媒体谣言进行检测。3).谣言传播网络中上游节点包含更丰富的信息,尤其是根节点包含了原始文本内容,本文在图卷积网络中提出节点增强方法:节点增强通过在节拼接传播节点与根节点的特征来捕获传播节点与根节点之间的隐含关系;同时为不同节点分配不同的权重,使模型能够有效的利用上游节点包含的丰富信息。对比实验结果显示,相比于现有的多个先进的社交媒体谣言检测模型,本文提出的基于知识增强和双向图卷积网络的社交媒体谣言检测模型能够更好的对社交媒体中的谣言进行检测。同时,详细的消融实验的结果也证明了文本增强表示、双向图卷积网络结构、节点增强方案对谣言检测任务皆有提升效果。最后,本文设计的早期谣言检测任务显示,本文提出的模型能够有效的在社交媒体谣言传播的早期检测出谣言。