awesome-fake-news-datasets

这是一个关于社交媒体虚假新闻检测和分析的数据集精选合集，涵盖了图像-文本多源分类、来源-回复传播图分类、社交上下文虚假新闻检测、虚假视频分类和外部证据事实核查等多个主题领域，收录了如PHEME、Weibo、Twitter15/16、Politifact、Gossipcop等数据集资源，以列表形式组织并提供链接。This is a curated collection of datasets for social media fake news detection and analysis, covering multiple thematic domains including image-text multimodal classification, source-reply propagation graph classification, social context-aware fake news detection, fake video classification, and fact-checking with external evidence. It includes widely used dataset resources such as PHEME, Weibo, Twitter15/16, Politifact, and Gossipcop, and is organized in list format with associated links provided.

原始信息汇总

数据集详情概述

该页面整理了一份用于社交媒体虚假新闻/谣言检测与分析的数据集清单，按任务类型划分为以下类别：

图文多模态源分类

• Image Verification Corpus：图像验证语料库，用于多模态虚假信息检测。
  • 来源：https://github.com/MKLab-ITI/image-verification-corpus
• Weibo Dataset：微博数据集，侧重于多模态虚假新闻分类。
  • 来源：https://github.com/yaqingwang/EANN-KDD18

源-回复传播图分类

• PHEME Dataset：基于传播图结构进行真实性分类的数据集。
  • 来源：https://github.com/kochkinaelena/Multitask4Veracity
• Weibo Dataset：中文微博谣言数据集，适用于传播图分析。
  • 来源：https://github.com/thunlp/Chinese_Rumor_Dataset
• Cantonese Rumor Dataset：粤语谣言数据集，聚焦粤语社交媒体内容。
  • 来源：https://github.com/cxyccc/CR-Dataset
• RumorEval 2019：谣言评估数据集（2019版），支持传播路径分析。
  • 来源：https://github.com/kochkinaelena/RumourEval2019
• Twitter15 and Twitter16：Twitter数据集（2015/2016），适用于递归神经网络验证。
  • 来源：https://github.com/majingCUHK/Rumor_RvNN

基于社交上下文的虚假新闻检测

• Politifact：结合社交上下文（如用户、传播链）的虚假新闻数据集。
  • 来源：https://github.com/KaiDMML/FakeNewsNet
• Gossipcop：基于八卦媒体内容的社交上下文虚假新闻数据集。
  • 来源：https://github.com/KaiDMML/FakeNewsNet

虚假视频分类

• Fake Video Corpus：虚假视频检测语料库。
  • 来源：https://github.com/MKLab-ITI/fake-video-corpus
• YouTubeAudit Dataset：YouTube审核数据集，用于视频真实性分析。
  • 来源：https://github.com/social-comp/YouTubeAudit-data

基于外部证据的事实核查

• Politifact：利用外部证据进行事实核查的数据集。
  • 来源：https://github.com/Nicozwy/CofCED
• Snopes：基于Snopes核实结果的外部证据数据集。
  • 来源：https://github.com/Nicozwy/CofCED
• PHEME PLUS：PHEME增强版，整合外部证据用于细粒度真实性判断。
  • 来源：https://github.com/JohnNLP/PhemePlus

搜集汇总

数据集介绍

构建方式

该数据集集合以社交媒体虚假新闻检测为核心，系统性地整合了多源、多模态的数据资源。构建方式上，通过从公开研究项目中筛选并收录了涵盖图像-文本多模态、源-回复传播图、社交上下文、虚假视频分类及外部证据事实核查等五大类别的数据集。每一类别均基于其特有任务进行数据采集与标注，例如图像验证语料库源自新闻图片的真实性验证，而PHEME数据集则针对推特事件中的谣言传播结构进行标注。此外，通过链接导向GitHub仓库，确保了数据集的持续更新与社区协作。

特点

该集合的核心特征在于其多维度的覆盖与专业化分类。它不仅包含了用于多模态虚假新闻检测的图像-文本语料库（如Weibo Dataset），还提供了基于社交网络传播结构的图分类数据（如Twitter15和Twitter16），以及融合外部证据的事实核查数据集（如Politifact与Snopes）。这种结构化分类使得研究者能够针对不同检测任务（如传播路径分析、多模态融合、上下文验证）选取合适的数据源。同时，数据集均来自已发表的研究工作，具备可靠的标注质量与可复现性。

使用方法

使用方法上，用户可直接访问各数据集的GitHub页面获取原始数据与标注文件。例如，进行多模态检测时可选用Image Verification Corpus或EANN-KDD18中的Weibo Dataset；若需分析谣言传播图，则可下载PHEME或Twitter15/16数据集。部分数据集（如FakeNewsNet中的Politifact与Gossipcop）还提供了爬取脚本，便于用户基于社交平台实时更新数据。建议研究者根据任务类型（如分类、图神经网络或事实核查）选择对应类别，并遵循各仓库中的许可协议与引用规范。

背景与挑战

背景概述

在社交媒体信息爆炸式增长的背景下，虚假新闻的快速传播对公共信任与社会稳定构成了严峻挑战。为应对这一问题，研究者自2010年代起致力于构建大规模、多模态的虚假新闻检测数据集。该数据集集合由多个国际知名机构（如MKLab、清华大学、新加坡国立大学等）于2015年至2021年间陆续创建，涵盖图像-文本多模态、传播图结构、社会上下文及外部证据验证等核心研究问题。这些数据集不仅推动了虚假新闻检测领域的算法演进，还为跨语言、跨平台的谣言分析提供了基准资源，对社交媒体信息真实性评估的学术探索具有重要奠基意义。

当前挑战

当前该领域面临的核心挑战包括：首先，虚假新闻的语义伪装日益精细，单模态特征（如文本或图像）难以捕捉其欺骗性，需发展跨模态联合推理模型；其次，社交媒体中的传播图结构复杂且动态变化，现有数据集在时序标注与传播路径完整性上存在不足，限制了图神经网络方法的泛化能力；此外，数据集构建过程中面临标注一致性难题，不同标注者对虚假新闻的界定标准差异显著，且多语言数据源（如中文、粤语）的文化语境差异增加了标注难度；最后，外部证据的实时获取与可信度评估仍是瓶颈，现有事实核查数据集在时效性与覆盖广度上难以满足动态检测需求。

常用场景

经典使用场景

在社交媒体信息泛滥的时代，虚假新闻的传播对社会稳定与公众信任构成严峻挑战。awesome-fake-news-datasets 汇聚了多个经典数据集，覆盖图像-文本多模态分类、源-回复传播图分类、社交上下文分析及外部证据事实核查等场景。研究者可基于这些数据训练模型，以识别推文中的虚假信息，例如利用 Twitter15 和 Twitter16 数据集构建传播图特征，区分谣言与真实新闻。该数据集集合为跨平台、多语言的虚假新闻检测提供了统一基准，显著推动了信息验证技术的发展。

实际应用

实际应用中，该数据集集合赋能多类系统：社交媒体平台可部署基于传播图的实时谣言检测模块，例如利用 RumorEval 2019 数据优化预警机制；新闻机构借助 Fake Video Corpus 训练深度伪造视频鉴别工具，提升内容审核效率；事实核查组织则通过 CofCED 数据集中的外部证据链，自动化比对声明与权威来源的一致性。这些应用不仅降低了人工核查成本，还遏制了虚假信息的二次传播，尤其在政治选举和公共卫生事件中发挥了关键作用。

衍生相关工作

该数据集集合衍生出众多经典工作，例如基于 EANN（Event Adversarial Neural Networks）的 Weibo 多模态检测模型，通过对抗学习消除事件偏差；RvNN（Recursive Neural Networks）利用 Twitter15/16 的传播树结构实现谣言早期检测；CofCED 提出的跨模态对比学习框架在 Politifact 上达到领先性能。此外，PHEME PLUS 扩展了原始数据集，引入细粒度立场标注，催生了多任务谣言验证研究。这些工作共同构建了虚假新闻检测的理论体系，并持续推动领域向少样本和零样本场景演进。