在线社交网络的迅猛发展促进了信息传播规模和速度的扩大，同时也加剧了谣言的传播。因此，如何迅速且准确地识别关键谣言节点已成为当前研究的一项重要挑战。现有研究通常使用基于网络结构的中心性方法或基于节点特征的机器学习方法进行关键节点识别，然而这些方法大多是基于信息传播的思路，忽视了谣言自身独特的传播方式。中心性方法未能充分反映节点在谣言传播中的实际重要性，即高中心性的节点未必在谣言传播中起关键作用；而机器学习方法则往往忽视谣言传播的结构信息。针对以上问题，本文提出了一种综合考虑谣言传播结构、信息传播结构以及用户属性信息的RumorGFAN模型，用于识别谣言传播过程中的关键谣言节点。此外，本研究考虑了谣言传播中的个人行为差异，即在接收到谣言后，一部分个人选择传播，而另一部分则选择不传播，采用了更符合谣言传播的易感-暴露-感染-康复-易感(SEIRS)模型，并提出了一种新的计算方法，以更准确地评估节点的影响力。在四个不同规模的真实数据集上的实验结果表明，该策略能够更准确有效地识别在线社交网络中的关键谣言节点。

1 相关工作
1.1 传播模型
1.2 关键节点识别
2 相关定义
3 关键谣言节点识别策略
3.1 RumorGFAN模型
3.2 结构特征表示学习
3.3 属性特征表示学习
3.4 融合表示及判别器
3.5 损失函数
4 实验结果与分析
4.1 数据集
4.1.1 原始数据集
4.1.2谣言传播数据集
4.2 实验设置及评价指标
4.2.1 谣言传播模型参数设置
4.2.2 评价指标
4.3 实验对比分析
4.4 实验结果与分析
4.5 消融实验
5 结语