1.基于促谣‑辟谣消息和表示学习的谣言传播控制方法，其特征在于，包括以下步骤：S1、利用网络爬虫或者通过在线社交网络API平台获取数据源，并进行预处理；

S2、从谣言话题中的基本属性数据、交互数据、历史数据中提取促谣消息、谣言消息以及辟谣消息；基本属性数据包括用户基本信息、用户消息感知力、用户活跃度，其中用户ui的信息感知力表示为：其中，Fol(ui)是指用户的关注数，Folave(net)是指全网中用户的平均关注数；

用户活跃度表示为：

Act(ui)＝α*count[Orignum(ui)]+β*count[Retnum(ui)]；

其中，count[Orignum(ui)]、count[Retnum(ui)]分别表示潜在用户在谣言爆发前的一个月发表和转发微博的数量；α和β是可调参数，α,β∈[0,1]；

S3、基于内容兴趣特征、网络结构特征以及节点属性特征分别建立促谣消息传播空间特征表示、谣言消息传播空间特征表示以及辟谣消息传播空间特征表示；传播空间节点属性特征用一个低维稠密实值的向量表示，表示为：c

Xc＝N×F；

c

其中，F为消息属性特征向量维度，N为用户节点个数；

在t时刻，某节点受到的促谣消息作用系数表示为：其中，m为某节点的度， 是其上游用户中传播促谣消息的节点数，C为常数，表示促谣消息传播的环境因素；S表示促谣或者辟谣消息的可信度；

在t时刻，某节点受到的辟谣消息作用系数表示为：其中， 表示上游用户中传播辟谣消息的节点数；

某节点j与上游节点i交互程度系数表示为：令 表示上游传播空间促谣影响力矩阵，其中 表示j节点与其上游用户中第i个节点存在的促谣影响；

令 表示上游传播空间辟谣影响力矩阵，其中 表示j节点与其上游用户中第i个节点存在的辟谣影响；

令 表示上游传播空间交互度矩阵，其中 表示j节点与其上游用户中第i个节点交互度影响；

令 表示三条消息下混合网络邻接矩阵， 表示用户中第i个节点对第j个节点存在关注关系；

K B C A

将矩阵M 、M 、M 、M拼接起来，得到新的邻接矩阵 用来表示基于促谣和辟谣话题影响力下的网络结构；

将矩阵中附带消息影响力矩阵剥去，获得基于促谣和辟谣消息影响力下全用户关联矩阵，表示为：W S

M＝M[N+1,2N],[N+1,2N]；

S

其中，M为关联程度矩阵；β为权重衰减因子；N表示用户节点个数；

将演化博弈论思想融入话题传播关系网络拓扑中，根据节点决策收益来量化新拓扑的边关系，获得在t时间段内谣言‑促谣‑辟谣多消息下的混合网络中边权值；

S4、根据促谣消息传播空间特征表示、谣言消息传播空间特征表示以及辟谣消息传播空间特征表示建立谣言‑辟谣‑促谣消息传播空间矩阵；

S5、根据谣言‑辟谣‑促谣消息传播空间矩阵以及谣言‑辟谣‑促谣消息全用户传播关系矩阵建立基于图卷积神经网络和辟谣‑促谣消息影响力的谣言传播预测模型；

S6、将当前时刻的数据输入基于图卷积神经网络和辟谣‑促谣消息影响力的谣言传播预测模型，获得下一个时刻谣言转发情况的预测；

S7、对下一个时刻的谣言转发潜在用户，进行谣言消息隔离或者进行辟谣消息推荐。

2.根据权利要求1所述的基于促谣‑辟谣消息和表示学习的谣言传播控制方法，其特征在于，步骤S1具体包括：S11、利用网络爬虫或者通过在线社交网络API平台获取数据源，获取的数据源违反谣言话题下谣言、辟谣以及促谣三类消息传播空间的基本属性、交互数据以及历史数据；

S12、对数据源中重复数据和无效数据进行删除，其中无效数据是指信息不完整或者信息丢失的数据。

3.根据权利要求1所述的基于促谣‑辟谣消息和表示学习的谣言传播控制方法，其特征在于，步骤S2包括：S21、利用改进Doc2vec算法获得数据源的传播空间内容兴趣特征表示；

S22、利用Line网络表示学习算法将一个用户的传播结构特征用一个低维稠密向量表示，获得混合网络结构特征表示；

S23、基于用户基本信息、用户消息感知力、用户活跃度计算获得节点属性特征表示。

4.根据权利要求3所述的基于促谣‑辟谣消息和表示学习的谣言传播控制方法，其特征在于，传播空间内容兴趣特征表示为：a

Xa＝N×F；

a

其中，Xa为传播空间内容兴趣特征表示；N为用户节点个数，F 为用户节点内容兴趣特征向量维度。

5.根据权利要求3所述的基于促谣‑辟谣消息和表示学习的谣言传播控制方法，其特征在于，传播空间结构特征表示：b

Xb＝N×F

b

其中，Xb，N为用户节点个数，F为消息结构特征向量维度。

6.根据权利要求3所述的基于促谣‑辟谣消息和表示学习的谣言传播控制方法，其特征在于，基于用户基本信息、用户消息感知力、用户活跃度计算获得混合网络结构特征表示包括将属性特征经过栈式降噪自编码算法表示，得到混合网络结构特征表示，表示为：Xn＝fθn(xn‑1)；

其中，Xn为栈式降噪自编码算法第n个编码层，即传播空间属性特征表示，n为大于等于1的整数，X0表示由用户基本信息、用户消息感知力、用户活跃度构成的原始数据；fθn(·)表示栈式降噪自编码算法。

7.根据权利要求1所述的基于促谣‑辟谣消息和表示学习的谣言传播控制方法，其特征在于，在t时间段内谣言‑促谣‑辟谣多消息下的混合网络中边权值表示为：其中，Inc1(ui)表示节点x选择转发节点y发布的辟谣消息的收益；Inc2(ui)表示节点x选择转发节点y发布的促谣消息。

8.根据权利要求1所述的基于促谣‑辟谣消息和表示学习的谣言传播控制方法，其特征在于，构建基于图卷积神经网络和多影响力的谣言‑辟谣模型表示为：其中，P(r,d|x)表示用户是否转发谣言，当P(r,d|x)＝1时，表示用户转发谣言，当P(r,d|x)＝0时，表示用户不转发谣言；A为话题传播混合网络中节点之间连接信息的矩阵； 为矩阵A的归一化对称矩阵；X为转发谣言和不转发谣言的标签集，r表示谣言转发的标签集，d(0) (1)表示谣言不转发的标签集；W 为第一层初始网络参数矩阵，W 第二层初始网络权重。