随着移动互联网的高速发展,在线社交网络规模快速增长,用户数量急剧增加。社交网络加速了谣言的广泛传播,对互联网舆论环境造成了巨大的破坏,不利于社会经济发展和国家长治久安,亟待行之有效的应对策略。然而,社交网络谣言往往数量众多且包含一定的专业知识,仅仅依靠人工方式几乎无法应对,而如果无法在谣言传播初期及时检测谣言并施加有效措施,将错过谣言应对的黄金时期,而后将面临的是指数级增长的谣言数量。因此,如何借助计算机智能高效地应对谣言成为近年来的研究热点。自动化谣言应对主要分为两个方向:谣言源识别和谣言检测。社交网络谣言源识别往往假定信息在网络传播过程中遵循一定的传播模型,即网络状态根据某种传播模型由几个感染源点迭代至某时刻的感染状态。现有的绝大多数研究工作假定底层传播模型已知,然后在给定传播模型的基础上进行谣言源识别工作。传播模型是研究者提出的假说,而现实场景远比几种固有的传播模型复杂,人为假定的传播模型有较大局限性。尽管有一些工作对无底层传播模型的谣言源识别展开了研究,然而现有工作将节点表示为标量标签,限制了节点的表示能力。在此基础上,本工作提出了一个基于图卷积神经网络的多谣言源点识别模型,该模型构建多维节点特征向量作为输入,无需传播模型信息,可以端到端地高精度识别多个谣言源点。通过在真实网络拓扑结构进行实验,验证了提出方法的有效性。相较于基准方法,提出模型在各项评价指标上均有所提升。当内容被识别为谣言后,需要判断其是否为不实信息。然而,完全依赖计算机进行谣言识别存在一定局限性,因为有些含有不实信息的谣言包含较多的专业知识,无法依靠人工智能加以区分,需要领域专家进行判别。为此,提出了不实信息驱动的社交网络专家查找算法,旨在为给定社交网络内容寻找对应的领域专家。算法基于社交网络“列表共现”,引入用户相似信息,对查询结果进行重排序。此外,本工作借助列表共现信息,构建了基于列表的概率图模型,将用户和查询映射到向量空间,加快了查询速度并且借助引入主题提升了查询精度。通过在大规模推特语料上进行对比试验,验证了提出方法的有效性,相较于基准方法,提出模型在各项评价指标上均有所提升。谣言追踪问题是谣言检测中非常重要的一个环节,旨在为给定的谣言事件找到其相关的谣言帖子。基于集成模型策略,通过训练多个子分类器模型,建立了一个类似于混合专家系统的集成模型。此外,考虑到每个待处理样本的差异性,本工作引入强化学习中策略梯度方法,基于每个输入样本,为多个分类器模型学习一个权重,从而通过最优方式集成子分类器模型,获取更加精确的分类效果。最终,通过在公开基准数据集上进行对比实验,验证了提出方法的有效性,相较于基准方法,提出模型在各项评价指标上均有所提升。