随着移动互联网的发展,网络社交平台用户活跃数呈现明显的上升趋势,人们越来越依赖网络社交平台分享和获得信息。网络社交媒介虽然方便了大众对于信息的获取,提高了人们获取信息的数量和速度,但是网络社交媒介也为虚假信息的传播提供了便捷的途径。借助网络社交平台,虚假信息可以以更低的门槛、更快的速度散播。近年来网络虚假信息的数量呈现明显的增长趋势,对于恶意虚假信息如果不能有效地识别和治理往往会造成一定的社会危害,因此虚假信息的识别问题十分迫切。目前相关机构对于虚假信息的识别主要采用人工核查的方式,这种方式成本高、检测效率低,而且只能实现对小部分信息的核查,核查周期比较长。网络虚假信息其传播速度快,影响范围广,为了解决网络虚假信息的泛滥问题,需要使用更高效的检测方法在网络虚假信息发布之初便进行核实,进而阻止其进一步散播。现有关于网络虚假信息识别的研究多是基于美国Twitter社交平台新闻数据集的研究,基于中文新闻文本的研究比较少。由于中英文新闻文本的差异,无法将英文的虚假信息识别方法直接用于解决中文的虚假信息识别问题。为了更好地解决我国网络虚假信息的识别问题,本文提出了基于中文新闻数据集的网络虚假信息的识别研究。本文以国内知名的网络社交平台微博为研究对象,通过网络爬虫技术获取微博社交平台的新闻文本作为本文研究的数据集。爬取“微博社区管理中心”经过核实的不实信息作为虚假信息,爬取“中国新闻网”“央视新闻”等微博账号的新闻作为真实数据集。首先对获取的微博新闻文本数据进行预处理,其中包括对数据进行去重、去掉噪音数据、分词和去停顿词等处理。然后通过词向量的训练来获取微博新闻文本的多维特征。最后通过分类模型进行网络虚假新闻的识别分类。在分类方法上,目前关于中文虚假信息的识别研究多采用传统机器学习的方法,其模型预测的准确率并不高,本文针对以上问题提出了基于深度学习算法的网络虚假信息的识别方法。在比较分析自然语言处理方向各深度模型特点和训练速度的基础上选择使用BiLSTM＿Attention模型和Transformer两种深度学习模型来进行虚假信息的识别,同时把传统的机器学习模型朴素贝叶斯模型作为对比模型。基于所获取的微博新闻的数据,分别训练以上三种模型进行数据实验,实验结果表明,BiLSTM＿Attention模型和Transformer两种深度学习模型在预测准确性上要明显优于朴素贝叶斯模型。朴素贝叶斯模型经过多次调参其准确率最高在88%左右,而深度学习模型BiLSTM＿Attention其在测试集上的预测准确率可达到96%左右,Transformer模型的准确率在94%左右。