随着网络社交的普及,网络谣言会对社会造成非常大的影响。如何准确识别网络社交平台上的谣言对维护社会的秩序显得尤为重要。现阶段对于网络谣言主要是通过传统的机器学习方法或基于深度学习的模型进行检测,这些方法受评论的指向性问题和因序列过长导致的特征不完整问题的影响,对于网络谣言的判别还未能达到比较高的准确率。本文针对上述问题提出了网络谣言检测中相应的改进方法,并使用预训练模型进行微调来加快模型的收敛,在一定程度上解决实时性问题,具体的成果有:1.针对热点话题下存在错误指向的嵌套评论问题,本文提出嵌套社交评论分离和重指向以及评论样本修正方法。该方法借助并查集数据结构的思想进行嵌套社交评论分离和重指向,并通过评论过滤来进行样本修正。通过对比实验,结果表明新的方法相对于直接结合原话题和社交评论的方法而言,构建的文本特征噪声更少。2.针对神经网络模型的输入样本存在序列过长导致的模型输入特征不完整的问题,本文提出基于上下文设置步长的截取方法、基于情感分析的社交评论数据过滤策略,结合POS Tagging和TF-IDF加权平均的句向量表示方法以及基于BERT预训练模型的句向量表示方法。通过多组对比实验,结果表明相对于将原话题和社交评论数据直接拼接后的截取方法,新提出的方法能够构建更完整的特征,使得模型能取得更好的分类效果。3.基于预训练的思想,本文对BERT模型中预训练任务的随机词遮盖算法进行改进,以提升模型预训练的效益和稳定性。其次,设计新的原句判断预训练任务使模型能够衡量句子的通顺程度,让BERT模型更好地理解上下文的语义。实验结果表明经过新的方法改进后的模型相对于原模型对网络谣言判别的准确率提高了 1.5%。