1.一种基于时序情感特征的谣言检测方法，其特征在于：包括以下步骤：S1：对从社交网络中获取的数据进行数据提取以及格式转换，获取事件的源帖子、回复帖子以及传播路径；

S2：将S1处理过后的源及回复的文本进行文本特征提取，转化为向量形式；

S3：将S1处理过后的源及回复的文本进行情感特征提取，将文本情感特征转化为情感分数；

S4：将S1处理过后的帖子的文本进行时序特征提取，将帖子序列转化为one‑hot时序向量；

S5、将S3提取的情感特征与S4提取的时序特征相乘，得到帖子的情感时序特征向量；

S6、将S5提取的情感时序特征向量与S2提取的文本特征向量进行向量拼接，得到帖子的表示向量；

S7、将S6处理得到的帖子表示向量和帖子的传播路径输入RvNN神经网络中以获得事件的综合表示；

S8、将S7获得的事件综合表示输入谣言分类模块中的神经网络中，对事件进行判断，输出谣言分类结果。

2.如权利要求1所述的一种基于时序情感特征的谣言检测方法，其特征在于：所述步骤S1具体包括：将训练数据定义为C＝{C1,C2,...,C|C|}，其中|C|表示训练数据的数量，Ci为其中的一个事件；将事件表示为树结构Ci＝，其中 为节点集，节点集中的每个元素为 源帖子则为 帖子总数为ki；将帖子之间的转发关系定义为其中 表示 为 的回复。

3.如权利要求1所述的一种基于时序情感特征的谣言检测方法，其特征在于：所述步骤S2具体包括：使用预训练的Word2CVec模型将帖子 中的文本转化为词向量[e1,e2,...,el]，并使用下述公式将词向量转化为帖子的文本特征向量：

4.如权利要求1所述的一种基于时序情感特征的谣言检测方法，其特征在于：所述步骤S3具体包括：使用通用情感分析工具对文本情感特征进行提取，通用情感分析工具能够提取帖子中的情感特征；最终获得帖子的情感分数

5.如权利要求1所述的一种基于时序情感特征的谣言检测方法，其特征在于：所述步骤S4具体包括：将帖子序列进行压缩编码，使用固定维度的向量来表示帖子在当前事件所有帖子中的位置,公式如下：其中[*]表示向下取整，I(l＝k)表示如果l＝k则函数值为1，反之为0，j为事件下标，dsen为位置向量维度，ki为当前事件的帖子总数量。

6.如权利要求1所述的一种基于时序情感特征的谣言检测方法，其特征在于：所述步骤S5具体包括：使用下述公式将步骤S3和步骤S4得到的特征进行融合，得到时序情感特征其中 为步骤S3获得的帖子情感特征， 为步骤S4获得帖子时序特征，最终输出为帖子的时序情感特征。

7.如权利要求1所述的一种基于时序情感特征的谣言检测方法，其特征在于：所述步骤S6具体包括：按照下述公式对S5和S2中提取的特征进行融合，得到帖子的综合表示：其中 为步骤S2获得的文本特征， 为步骤S5获得的时序情感特征。

8.如权利要求1所述的一种基于时序情感特征的谣言检测方法，其特征在于：所述步骤S7具体包括：S7.1：使用RvNN捕获帖子综合表示的传播特征，公式如下：其中 表示节点 的父节点，GRU(*)表示GUR隐藏单元，公式如下：式中E为转化矩阵，{W*,U*}为权重矩阵，σ(*)和tanh(*)表示激活函数，xt表示输入ht表示输出的隐藏状态，ht‑1表示前一节点的隐藏状态；可以获得所有叶子节点的隐藏状态S7.2：获得所有的叶子节点隐藏状态后，使用最大池化层获得事件的综合表示，表示如下：

9.如权利要求1所述的一种基于时序情感特征的谣言检测方法，其特征在于：所述步骤S8具体包括：使用MLP作为分类器，根据帖子综合表示的传播特征进行分类，计算公式表示如下：其中{W*,b*}为神经网络的权重和偏置，Relu(*)和σ(*)为激活函数，最终输出 为模型对事件Ci的预测。

10.实现权利要求1所述的一种基于时序情感特征的谣言检测方法，包括：包括帖子表示模块，事件表示模块和谣言分类模块；

所述帖子表示模块使用文本特征和时序情感特征对社交网络帖子进行表示；

所述事件表示模块使用RvNN按照帖子传播路径捕获帖子表示的特征，得到事件的综合表示；

所述谣言分类模块依据事件的综合表示对事件是否为谣言进行判断；

所述的帖子表示模块，事件表示模块和谣言分类模块依次连接。