近年来,随着新兴社交媒体的火热发展,越来越多的人们使用在线社交平台来获取感兴趣的信息,而随着用户网络规模的越来越大,在线社交平台上信息鱼龙混杂,真假难辨,这就导致在线信息系统的治理出现诸多问题。例如不实新闻大肆传播导致社会公信度降低,哄抬物价非法赢利,传播不当言论导致的舆情监控等问题,本文从以下两个小方面切入,旨在为在线信息系统的治理做出贡献。一是从信息的传播过程。在追踪一条信息的传播时,我们通常会缺乏有关底层传播网络的信息,信息能够扩散的重要因素在于传播者之间存在路径,而能够有效切断信息的传播路径对于控制信息扩散起着举足轻重的作用。那么如何通过观察到的传播过程重建隐藏的传播路径就是一个具有挑战性的问题。二是从传播源头去甄别新闻的真假性。虚假信息长期以来一直被视为严重的社会问题,其中假新闻是最具代表性的问题之一。当今高度发达的社交平台使得虚假新闻以惊人的速度广泛传播,对人类生活的各个方面造成了重大损害。尽管如此,社交媒体的普及也为更好地检测假新闻这一工作扮演着重要角色。充分将已有信息利用起来,并实现自动化检测假新闻成为了当前在线信息系统中另一重要问题。本文从这两方面提出改进算法,具有重要的应用价值和社会意义。具体工作如下:1.为了解决重构问题,我们基于链路预测文献中常用的静态相似性度量,提出了一种新的节点对相似性度量——时间相似性度量。该方法基于以下假设:如果两个节点在相似的时间点上接受到更多同一信息,那么两个节点之间存在连边的可能性就越大。为了实现这一假设,我们将多个独立传播过程的时间序列作为输入,通过引入时滞函数来惩罚较长的传播时间差。我们发现,根据网络的聚类系数,此时滞函数的选择会严重影响指标的重构准确性,并且我们对网络重构的静态指标和时间相似性指标进行了详细的比较分析,这一发现为复杂网络中成对节点之间的相似性概念提供了新的思路。2.本文提出了一种新颖的假新闻检测框架,即深度上下文注意力学习框架（Deep Context Attentional Learning,DCAL）。上下文信息至关重要,但是对于用在假新闻检测上的研究还不够深入。因此,我们通过迭代注意力学习为新闻内容建模,以及通过分层的用户注意力机制来生成用户上下文,旨在通过增加用户置信度的表示来消除水军评论的影响。我们在两个真实世界的数据集上进行了实验,所提出的模型优于6个最优假新闻检测技术的基准方法（在Recall指标上最大能有2.9%的提升）,并且提出的方法也是可以解释的。