In den letzten Jahren haben Desinformation und Falschmeldungen erhebliche schädliche Auswirkungen auf Individuen und die Gesellschaft gehabt und haben daher eine breite Aufmerksamkeit auf die Erkennung von Falschmeldungen hervorgerufen. Die Mehrheit der bestehenden Algorithmen zur Erkennung von Falschmeldungen konzentriert sich darauf, Nachrichteninhalte und/oder den umgebenden exogenen Kontext zu analysieren, um betrügerische Signale zu identifizieren; dabei wird jedoch die endogene Präferenz eines Nutzers bei der Entscheidung, eine Falschmeldung zu verbreiten oder nicht, vernachlässigt. Die Theorie der Bestätigungsverzerrung (confirmation bias) zeigt, dass ein Nutzer eher dazu neigt, eine Falschmeldung zu verbreiten, wenn diese seine bestehenden Überzeugungen oder Präferenzen bestätigt. Die historischen sozialen Interaktionen eines Nutzers, wie etwa veröffentlichte Beiträge, enthalten reichhaltige Informationen über dessen Präferenzen gegenüber Nachrichten und weisen großes Potenzial zur Verbesserung der Erkennung von Falschmeldungen auf. Dennoch ist die Forschung zu Nutzerpräferenzen im Kontext der Falschmeldenerkennung bisher eher begrenzt. Daher untersuchen wir in diesem Paper das neuartige Problem der Nutzung von Nutzerpräferenzen zur Erkennung von Falschmeldungen. Wir schlagen einen neuen Rahmenwerk, UPFD, vor, das verschiedene Signale aus Nutzerpräferenzen durch eine kombinierte Inhalt- und Graphmodellierung gleichzeitig erfasst. Experimentelle Ergebnisse auf realen Datensätzen belegen die Wirksamkeit des vorgeschlagenen Ansatzes. Wir stellen unseren Code und die Daten als Benchmark für GNN-basierte Erkennung von Falschmeldungen bereit: https://github.com/safe-graph/GNN-FakeNews.