本研究提出了一种新方法，利用加权传播树和结构熵理论，解决社交媒体谣言检测中的时间性和噪声问题，实验结果表明该方法优于现有技术。

本研究提出了一种基于聚类的框架来检测社交数据流中的谣言，并评估了不同相似度度量的效果。预聚类和异质特征的组合被证明是最佳的聚类方法。该方法是全自动、无监督的，并可实现流数据的实时检测。

该文章介绍了一种利用大型语言模型进行社交媒体谣言检测的方法，通过设计提示教给语言模型在新闻和评论中进行推理，并将传播信息分割为传播链以减轻负担。实验结果显示该方法在谣言检测方面表现出色，超过其他模型，并在少量或零样本情景中显示出更有前景的谣言检测能力。

本研究使用BERT预训练语言模型编码文本数据为向量，利用神经网络模型检测谣言。结果显示该技术优于现有技术，并测试了组合数据集，大数据训练和测试对提高性能有重要作用。

本研究提出了一种基于聚类的框架来检测社交数据流中的谣言，并评估了不同相似度度量的效果。预聚类和异质特征的组合表现最佳，证明了基于相似性的组合方式的有效性。该方法是全自动、无监督的，并可实现流数据的实时检测。