社交媒体已经成为人们日常生活与社会交往不可或缺的重要场所,全球数十亿用户每天都会花费大量时间活跃在社交媒体平台上,这些网络平台已经成为人们实时交流、获取信息的工具。然而社交媒体的开放性和便利性同样也孕育了许多潜在危险,大量恶意账号和虚假信息充斥着社交网络。异常检测是识别社交网络上正常或异常活动的重要数据分析手段之一。图卷积网络（Graph Convolutional Network,GCN）作为一种应用在图数据上的深度学习框架,可以被用来检测社交网络上的异常账号和虚假信息。1)现有基于机器学习的异常账号检测方法主要通过手工提取能够区分异常账号和正常账号之间的特征,然而模型训练一般需要大量的标注数据,仅靠人工标注既耗时又昂贵且得到的特征向量有偏差、鲁棒性较差。现有基于图的检测方法通过在社交图上迭代地传播已知节点的标签信息来为其他未标记节点分配标签,然而当面对拓扑结构庞大而复杂的社交网络时存在无法快速收敛的问题。针对以上问题,本文提出一种基于GCN的深度自动编码器框架,通过多层图卷积捕获每个用户节点与其邻居节点之间的复杂交互,从用户高维属性和社交网络局部结构中学习隐含信息,将社交网络上的每个用户节点压缩为简洁的低维嵌入向量表示。进一步利用获得的用户编码特征,同时对用户节点属性信息和社交网络结构信息进行重构,根据重构误差对每个用户节点的异常情况进行评估,以此识别社交网络上的异常账号。实验结果证明该方法有效提升了召回率,减少了误判率。2)现有的基于机器学习、深度学习和自然语言处理的虚假信息检测方法,通常需要考虑足够多的转发和评论数据才能有效检测虚假信息,然而在虚假信息发布早期,其传播范围小转发评论少,无法获得足够多的特征,故在实践中无法实现虚假信息的早期检测。为应对这一挑战,本文提出一种弱监督的基于用户历史行为分析的GCN虚假信息检测框架,除了提取与信息内容直接相关的特征,还结合了用户特征计算每个账号在社交网站上的可信度值,作为辅助信息推断信息的真实性。最后融合内容特征和用户特征,利用GCN的聚合机制挖掘虚假信息帖子序列之间的交互模式,以实现虚假信息的早期检测。实验证明本文提出的GCN模型在虚假信息检测任务上有显著的改进,且在转发评论数据有限的情况下具有鲁棒性。