随着互联网技术的蓬勃发展,以及以新浪微博、知乎、Twitter等为代表的各大社交媒体的不断涌现,人们获取信息的方式最初借助传统的纸质与多媒体载体,到如今,各大网络社交平台已成为人们获取信息的重要渠道之一。由于社交平台本身具备匿名性、平等性、互动性等特点,因此用户能够通过平台自由发表自己的观点,不受地域、时间等因素的限制,但也正因为这样的特点,一些居心不良的人也能够不负责任地发表一些被扭曲或者凭空捏造不存在的事情,加以一定的方法煽动网民们的情绪,以达到吸引流量等个人目的,从而给人们与社会的稳定带来威胁,如著名的“抢盐”事件等。尽管国家已采取相关措施用以维持网络安全环境,但仅通过人工的官方手段难以处理每天增长的海量数据,同时考虑到目前相关领域应用机器学习的方法存在一定的局限性,因此本文以常见的深度学习方法为基础,提出特征融合的方法用以虚假信息检测领域的研究中。本文的主要工作如下:首先,本文以新浪微博这一社交平台为基础,主要利用单一文本特征进行建模,作为本文的基础实验,这一部分的内容主要包括两个部分:一是探究不同粒度的文本表示方式对实验结果的影响,即引入公开且应用较为成熟的预训练字向量与词向量用以文本表示,以保证文本向量的质量,实验表明,基于字向量的文本表示方法明显优于基于词向量的表示方法,这一结论与自然语言处理领域其他问题得到的结论相一致;二是基于BERT模型在NLP领域多种任务重表现出的优越效果,将BERT模型引入,探究其在解决虚假信息检测问题中的优势,实验表明,BERT模型的引入有助于提高虚假信息识别的准确率,并且在多个模型的结果出表现出其稳定性。其次,本文认为虚假信息为吸引网民们的关注,往往带有较为强烈的情感以煽动网民情绪,而在目前谣言检测领域的相关研究中,对于情感特征的挖掘与利用大多停留在较为浅层的阶段,因此本文提出特征融合的方法加入情感特征,具体内容为利用目前公开的应用于新浪微博这一场景的情感分类语料作为训练集,利用BERT+Bi-LSTM模型用于训练情感分类模型,再将本文虚假信息数据集当做测试集,获取情感分析模型隐藏层输出向量与之前的单一文本特征向量进行结合,用于重新训练新的融合情感特征的虚假信息检测模型,以提高虚假信息识别的效果。实验结果表明,本文方法能够在较为理想的效果的基础上,最优模型的整体准确率最高提升1.6%,达到94.90%。最后,由于微博用户除了通过文字发表自己的观点之外,还能够通过其他多媒体形式用来加强观点表达,如视频、图片等,考虑到视频往往具有更短的有效性,本文数据集中绝大部分的视频文件已不能正常播放,因此本文主要利用图片数据作为文本补充特征,利用Res Net模型用以提取图片特征,将提取得到的图片特征与单一文本特征进行结合,用以训练新的融合图片特征的虚假信息检测模型,以提高虚假信息识别的效果。实验结果表明,相比于基于单一文本特征的实验结果,本部分多模态部分减少了约一半的数据量,因此本文方法可能导致在整体准确率上没有得到明显提升,甚至略有下降,但就虚假信息部分的识别准确率而言,在本身具备较好实验效果的基础上,其准确率依然保持约4%的提升幅度。相比于融合情感特征的实验结果,本部分的实验结果也能够说明,相比于情感特征,图片特征在虚假信息检测中具有更为重要的作用。总的来说,虽然引入特定领域的预训练字/词向量已经能够获得较好的效果,但是BERT模型的引入依然对实验效果的提升具有较为明显的作用,同时文本基于这一模型所提出的融合情感特征与图片特征的方法,主要侧重于特征层面的融合,从实验结果上看,两种方法都表现出较为理想且稳定的效果,说明本文方法在一定程度上对于提高虚假信息检测的准确性是有效的。此外,本文研究也能够为虚假信息或网络谣言检测领域在未来的研究与探索奠定一定的基础。