该文综述基于图神经网络的假新闻检测，重点利用传播结构而非文本信息进行分类，介绍了HGAT分层图注意力框架、几何深度学习融合社交语境等方法，并探讨持续学习应对新数据集性能问题。实验表明图方法优于文本模型，结合浅层模型与标签后处理可媲美GNN且更高效。

该文综述社交媒体谣言检测研究，涵盖多种方法：基于异质图的元路径方法，结合全局语义与传播结构；图卷积多视图融合框架；多任务学习框架检测谣言立场与真实性；双向图卷积网络Bi-GCN结合传播扩散特征；基于级联的低维用户向量预测传播动态；ViralBERT利用内容与用户特征预测推特传播性；视觉与图神经网络VGA检测多模态谣言；多输入框架结合文本与网络特征识别不可靠信息；MONITOR框架基于图像特征与集成学习评估真实性；全局-局部注意力网络GLAN联合编码语义与结构信息，在早期检测中表现优越。