1.基于谣言辟谣促谣和三方认知博弈的信息传播预测方法，其特征在于，包括以下步骤：S1、从公开的数据网站或者利用社交网络公共API爬取在线数据；

S2、根据爬取的数据，获取消息热度、消息传播强度、用户认知指数以及用户相互强度；

S3、构建谣言传播驱动力模型，在该模型中基于三方认知博弈根据获取的信息获取谣言、辟谣以及促谣消息的收益函数；

S4、根据收益函数计算谣言、辟谣以及促谣消息的驱动力，并根据驱动力来预测用户行为；具体包括：根据谣言传播驱动力模型，可以得出任意用户ui在t时刻参与谣言转发的概率为：任意用户ui在t时刻参与辟谣转发的概率为：

其中，m为 表示用户ui所关注的m个用户，转发过程中有n个用户转发了辟谣消息的行为；Drf1(ui)为用户在ti时刻参与谣言消息转发的驱动力，表示为：Drf2(ui)为用户在ti时刻参与辟谣消息转发的驱动力，表示为：其中，drf1(ti)为ti时刻的用户谣言状态驱动力，表示为：drf2(ti)为ti时刻的用户辟谣状态驱动力，表示为：drf3(ti)为ti时刻的用户促谣状态驱动力，表示为：其中，t表示时刻的下标，t∈[0,now]，now为当前计算驱动的时刻；Payof f1、Payof f2、Payof f3分别为选择谣言、辟谣和促谣进行转发的收益函数，分别表示为：Payof f1(ui)＝w1*Eff(rumor)

Payof f2(ui)＝w2*Eff(anti_rumor)Payof f3(ui)＝w3*Eff(sti_rumor)其中，w1为网络节点中转发谣言消息的节点比例，w2为网络节点中转发辟谣消息的节点比例，w3为网络节点中转发促谣消息的节点比例；Eff(rumor)、Eff(anti_rumor)、Eff(sti_rumor)分别表示谣言、辟谣、促谣消息影响力，分别表示为：Eff(rumor)

2 3

＝k0+k1*T1(t)+k2*Prop1(t) +k3*(Cog(ui)*Int1(ui))+δ*||(Cog(ui)*Int1(ui),T1(t),Prop1(t))||2Eff(anti‑rumor)

2 3

＝k0+k1*T2(t)+k2*Prop2(t) +k3*(Cog(ui)*Int2(ui))+δ*||(Cog(ui)*Int2(ui),T2(t),Prop2(t))||2Eff(sti‑rumor)

2 3

＝k0+k1*T3(t)+k2*Prop3(t) +k3*(Cog(ui)*Int3(ui))+δ*||(Cog(ui)*Int3(ui),T3(t),Prop3(t))||2其中，k0,k1,k2,k3,δ为预设系数；|| ||2表示欧几里德范数运算；T(t)为t时刻下话题传播热度值；Prop1(t)为t时刻下谣言消息传播强度值；Cog(ui)为t时刻下用户认知指数；Int(ui)为t时刻下用户互动率；

消息热度表示为：

消息传播强度表示为：

用户认知指数表示为：

用户相互强度表示为：

Int(ui)＝α*Num[follow(ui)]+β*Num[followed(ui)]其中，k代表当前话题传播的总时长；forwardinfo(t)表示t时刻的消息转发量，k1为约束因子，Topic(t)表示t时刻的消息热度；Num[retweet(ui)]表示用户在一段时间内的消息转发行为数，Num[behavior(ui)]表示用户在一段时间内产生的行为总数，用户行为包括转发次数和原创博文个数；θ为约束因子，属于超参数，θ∈(0,1)；Num[follow(ui)]表示用户ui关注的用户总数，Num[followed(ui)]表示关注ui用户的用户总数，α和β为衰减系数，α,β∈(0,

1)；

S5、将在线爬取的数据输入建立的模型，预测得到网络节点的采取辟谣行为和促谣行为的概率。

2.根据权利要求1所述的基于谣言辟谣促谣和三方认知博弈的信息传播预测方法，其特征在于，用户在谣言传播驱动力模型中包括四种状态，即：在时刻t未接触到话题中消息的用户为易感状态、在时刻t接触到话题中多类型消息并进入认知博弈过程的用户为亢奋状态、在时刻t选择相信谣言消息并转发谣言的用户为传谣状态、在时刻t选择不相信辟谣消息并转发其他类型消息的用户为免疫状态，易感状态节点若与亢奋状态节点和传谣状态节点接触，将会分别以ζ、η的概率转化为亢奋节点或感染节点，感染节点和亢奋节点均会随着时间推移逐渐转化为免疫节点，感染节点和免疫节点的免疫率为μ和λ，状态转移概率ζ,η,μ,λ∈[0,1)。