互联网的发展极大的影响了社交媒体传播新闻的方式,而随着社交网络的发展,各种伴有商业或政治目的的假新闻大量涌现,并在网络中得到广泛的传播。假新闻是用有意和无法核实的语言写的,以误导读者。有时用了带有欺骗、煽动性质的话语,所以人们很难不被其影响,甚至在没有任何事实检查的情况下分享它们。假新闻在人们的日常生活中广泛存在,移动端的快速发展,让人们接触了更多的快餐文化,现在人们甚至可以轻易相信某些事情,甚至无需检查这些事情是否真的存在,是否正确。基于当今虚假新闻检测体系的研究成果和急迫问题,本文从两个方面展开研究:1)采用微博真实新闻数据集作为研究数据,对其中的文本内容所包含的特征信息做数据挖掘并提取新的特征,考虑到新闻数据有文本和用户的个人数字特征,本文将文本特征和数字特征通过两个输入端分别进行输入,进行统一训练融合后再完成最终的分类,在此提出多种信息源神经网络模型。与机器学习中的XGBoost、SVM以及朴素贝叶斯、Light GBM,深度学习中的Fast Text、Bi LSTM、RNN、Text CNN算法来分别构建实验组和对照组实验,验证多模态神经网络模型的有效性。根据最终的实验结果确定虚假新闻检测模型,并完成搭建。2)对虚假新闻检测系统进行需求分析和调研,将模型作为一个检测算法,融入到虚假新闻检测系统中,系统主要面向普通用户和媒体公司,给用户带来更好的使用浏览体验,完善新闻检测的模块。系统使用人群主要有两类用户,管理员端包含四个子功能模块:用户信息管理、新闻检测功能管理、新闻数据分析管理、新闻内容管理;用户端包含三个子功能模块:个人信息、新闻检测、新闻浏览。本文的创新点在于,和现有方法相比,本文针对虚假新闻文本特征做进一步的数据挖掘,找到可能存在的隐含信息,进而提取成多个新数字特征,比如句子的长度、话题符号的数量、引用符号的数量等数字特征,并使其作为单独的输入端,与原有特征一起研究他们与新闻真假的关系,形成多种信息源类数据。在模型融合上,不再简单的在训练之前进行直接拼接或者最后取平均值。而是改进一些方法来融合文本特征和数字特征,使其成为统一模型共同训练,另外从特征入手,从多个角度对文本进行深入分析,为后文的评分模型效果提升做准备,并作为一个可视化的功能增加到系统中。在国内外缺少面向广大媒体行业和普通用户的检测系统上,本系统的设计上,针对用户需求痛点,营造良好网络环境,在检测假新闻的基础上,提供可视化,分析的功能,便于媒体平台对自身内容进行监管,打造更好的服务,提升用户的满意度和黏性。