该文章提出了一种结构感知的合成传播增强虚假新闻检测框架（StruSP），旨在解决现有基于传播的检测方法中传播数据不完整、大语言模型（LLMs）生成传播忽略真实结构模式的问题，通过双向进化传播学习和结构感知传播增强，提升虚假新闻检测性能。一、文章主要内容研究背景与问题社交媒体上虚假新闻传播威胁公共信任与社会稳定，现有检测方法分为基于文本内容和基于传播信息两类。基于传播的方法受限于传播数据不完整，而利用LLMs生成合成传播的方法仅关注语义层面，忽略真实传播的结构模式（如不规则分支、层级深度），导致生成传播与真实传播在结构和语义上不匹配，影响检测效果。StruSP框架核心构成双向进化传播学习（BEP）：包含结构感知混合采样和掩码传播建模。前者通过广度优先搜索（BFS）和深度优先搜索（DFS）捕获传播的广度扩展与深度递进模式；后者让LLM通过预测传播路径中被掩码的节点，学习传播的结构依赖关系。结构感知传播增强（SPE）：利用经BEP训练的LLM，基于不完整的真实传播树生成结构一致的合成传播，将其与原始传播整合，用于后续虚假新闻检测。实验与结果在Twitter、CED、PHEME5三个公开数据集上进行实验，涵盖通用检测、早期检测（传播数据有限）、跨平台检测（不同平台数据迁移）场景。/