در این پژوهش، یک مدل یادگیری ماشین ترکیبی مبتنی بر نرو-فازی و یکی از الگوریتم‌های فراابتکاری به نام الگوریتم ژنتیک برای شناسایی اعتماد کاربران در شبکه‌های اجتماعی آنلاین پیشنهاد شده است. مدل پیشنهادی تشخیص خودکار اعتماد کاربران را انجام می‌دهد و بینشی در مورد تأثیرگذارترین ویژگی‌ها در طول فرآیند تشخیص می‌دهد. بخشی از کار، یک مدل آبشار رقابتی مبتنی بر اولویت برای انتشار شایعات رقیب و آبشارهای ضد شایعه پیشنهاد می­شود. این مدلی برای محاسبه ارزش تقدم مبتنی بر باور ارائه شده که توسط آن کاربر تصمیم می‌گیرد شایعه یا ضد شایعه دریافتی در طول انتشار اطلاعات را باور کند. تأثیر شایعه و آبشارهای ضد شایعه در شبکه های اجتماعی آنلاین با در نظر گرفتن یک رویکرد انتشار مبتنی بر همسایگی تجزیه و تحلیل می­شود. نتایج تجربی با در نظر گرفتن فیس‌بوک، ویکی و توییتر برای اعتبارسنجی مدل PCC برای انتشار شایعه و ضد شایعه در شبکه‌های اجتماعی و ارزیابی الگوریتم DMOG پیشنهادی به‌دست آمد. الگوریتم DMOG با صرفه جویی در حدود 26٪ (برای مقدار تقدم 1.0) از کاربران از تحت تاثیر قرار گرفتن شایعات در فیس بوک در مقایسه با 20٪ و 13٪ توسط الگوریتم های موجود، بهبود قابل توجهی را ارائه داد. در توییتر، الگوریتم DMOG حدود 25 درصد از کاربران را از تحت تأثیر قرار گرفتن شایعات نجات داد، در حالی که الگوریتم های دیگر 19 درصد و 21 درصد را تحت تاثیر قرار داده شد. علاوه بر این، در مجموعه داده‌های ویکی، الگوریتم DMOG در مقایسه با الگوریتم‌های موجود، از تعداد کمتری از کاربران اولیه برای انتشار ضد شایعه استفاده می‌کند تا حدود 4 درصد از کاربران را از تحت تأثیر قرار گرفتن شایعه نجات داده شد. در نهایت، از نتایج تجربی، مشاهده شده است که الگوریتم پیشنهادی با استفاده از پارامترهایی مانند بودجه، تقدم شایعه و تاخیر زمانی در معرفی ضد شایعه عملکرد بهتری از الگوریتم‌های موجود دارد