ماهیت فراگیر پلتفرم‌های شبکه‌های اجتماعی منجر به تولید حجم زیادی از داده‌ها شده است. عدم وجود محدودیت برای به اشتراک گذاشتن اطلاعات در این شبکه‌ها باعث گسترش اطلاعات بدون توجه به اعتبار آنها می‌شود. چنین اطلاعات غلطی معمولاً منجر به تولید و انتشار شایعات می‌گردد. بنابراین، تشخیص خودکار شایعات در شبکه‌های اجتماعی یکی از حوزه‌های تحقیقاتی جذاب برای تجزیه و تحلیل این شبکه‌ها است. این مقاله روشی را برای مقابله با انتشار شایعات در شبکه‌های اجتماعی بر پایه مدل‌ شبکه عصبی خودرمزگذار و مدل انتشار اپیدمی ILSR معرفی می‌کند. در اینجا، مدل‌ شبکه عصبی خودرمزگذار با چندین آستانه ابتکاری برای تشخیص اولیه شایعه اعمال شده و سپس کنترل شایعات توسط یک نسخه توسعه یافته‌ای از مدل شیوع اپیدمی ILSR انجام می‌شود. مدل پیشنهادی با نام ILSHR کاربران شبکه اجتماعی را در پنج گروه جاهل، کمین، پخش‌کننده، خواب زمستانی و سختگیر در نظر می‌گیرد. با توجه به حالات انتقال در مدل انتشار شایعه ILSHR، این مدل علاوه بر خصوصیات مربوط به گروه افراد کمین، خصوصیات گروه افراد خواب زمستانی را نیز از مدل SIHR لحاظ می‌کند. مکانیسم‌های فراموشی و یادآوری از خواب زمستانی می تواند زمان ترمینال شایعه را به تعویق انداخته و در نهایت باعث کاهش تأثیر شایعه در شبکه اجتماعی شود. تجزیه‌و‌تحلیل روش پیشنهادی برای مدل‌سازی انتشار شایعات روی مجموعه داده شبکه اجتماعی سینا ویبو انجام شده است. نتایج نشان دهنده عملکرد بهتر روش پیشنهادی با دقت تشخیص 95.7% نسبت به مدل‌های DGRU و DLSTM می‌باشد. Manuscript profile