随着互联网的快速发展,以新浪微博为代表的社交媒体逐渐成为人们传播信息的主要平台。社交媒体为人们共享信息带来了便利的同时,也为网络谣言的传播提供了途径。谣言在社交媒体上广泛传播会破坏网络环境,影响社会生活,所以对网络谣言实现自动化检测对维护社会稳定、保护人民利益具有重要意义。传统的谣言识别方法在提取微博的特征时,忽略了谣言关键词的词频信息和微博正文文本深层语义特征提取的重要性,故本文根据词频信息从谣言库中提取关联度特征并利用深度学习方法提取微博正文文本的深层语义特征,以此设计谣言识别模型,主要工作包括:其一,构造关联度特征并设计基于关联度特征和统计机器学习的谣言识别模型。考虑到词频信息对谣言识别工作的重要性,利用网络爬虫技术获取新浪微博平台最新的谣言和非谣言数据,结合现有数据集构造了微博谣言库和实验数据集。利用APRIORI算法提取微博谣言库的频繁项集,再通过Word2Vec模型提取近义词对频繁项集进行扩展,最终从频繁项集中提取关联度特征。关联度特征结合其它提取的统计特征进入统计机器学习模型进行训练,实验表明关联度特征能够有效地提高模型谣言识别的效果,同时设计了GBDT-R模型进行谣言检测,并验证了模型的识别效果。其二,设计基于多模型融合策略的谣言识别模型。考虑到单一模型的局限性和多模型融合策略对于分类效果的提升,本文设计了结合深度学习和机器学习的ALBERT-Text CNN-SVM模型。在微博正文文本的深层语义特征提取上,设计引入了新型预训练模型ALBERT并结合Text CNN的ALBERT-Text CNN,同时考虑到微博其它统计特征对谣言识别效果的提升,将ALBERT-Text CNN提取到的微博正文文本深层语义特征结合部分微博统计特征输入到SVM模型中进行训练,并命名为ALBERT-Text CNN-SVM。相较于单一使用微博正文文本的ALBERT-Text CNN,ALBERT-Text CNN-SVM在准确率、召回率、F1值上分别增加了0.68%、2.18%、0.78%,同时在与其他文献的对比实验中模型在准确率、精确率、F1值上达到了最优值,分别为95.98%、97.57%、95.78%,同时召回率达到了94.06%。实验表明ALBERT-Text CNN-SVM模型能够有效地识别微博谣言。