1.一种基于时空传播图的动态谣言检测方法，其特征在于：包括以下步骤：以用户评论与转发、时间戳与发布位置为主线，针对谣言内容构造用户内容传播动态图的序列；

将用户内容传播动态图的序列按照时刻进行分块，得到邻近图结构集合；

将邻近图结构集合中各时刻下图分块做空洞卷积处理，输出各时刻图分块渐进图卷积隐藏表示；

将各时刻图分块渐进图卷积隐藏表示的序列为输入，通过三层倒梯形图卷积压缩，按横向‑时间方向与纵向‑空间方向，逐步压缩为全局时空传播图表示；

将全局时空传播图表示与用户内容传播动态图中各节点的情绪和话题特征相融合，获得谣言传播图结构表示；

使用图神经网络分类算法对谣言传播图结构表示进行第一次谣言分类判定，若谣言传播图结构表示被判定为谣言，则进行谣言截断措施；

若谣言传播图结构表示被判定为非谣言，则构建空间‑时间‑空间的三层图卷积生成网络，根据邻近图结构集合中当前时刻下非谣言节点的图分块，生成未来时刻或演化出的内容传播结构，即谣言演化图结构；

将谣言演化图结构做图结构微调修改得到预测图；

将用户内容传播图和预测图进行融合，形成谣言历史与演化图结构；

将谣言历史与演化图结构使用渐进图卷积网络与全局时空图卷积网络，复用图卷积分类思想进行二次核验，若二次检验的内容为非谣言，则放行结束，否则进行谣言截断措施。

2.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：用户内容传播动态图的序列表示为 ，T表示时间总长度，其中 为时刻t的传播t t t

图，V 为时刻t下的节点， A 为时刻t下的邻接矩阵，A由用户发布内容与其评论之间或评论与评论之间的关系转换而来，如公式（1）所示：      （1）；

其中， 为节点Vi在时刻t的向量表示， 为节点Vj在时刻t的向量表示，W为可学习的参数矩阵，softmax函数对邻接矩阵进行归一化，ReLU激活函数消除负连接，t∈[1, T]。

3.根据权利要求2所述的基于时空传播图的动态谣言检测方法，其特征在于：邻近图结t构集合表示为 ；其中， 表示在时刻t下的图结构，E 为时刻t下的边的连接信息。

4.根据权利要求3所述的基于时空传播图的动态谣言检测方法，其特征在于：在具有相t似信号的节点V 之间施加更高的权重，两个节点Vi和Vj之间的余弦相似度Sij定义为：         （2）。

5.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：图神经网络分类算法包括多个层，每一层都由以下两个步骤组成：a.聚合，所述聚合用于对于每个节点i聚合其邻居节点的特征信息；b.更新，所述更新用于使用聚合后的特征信息更新节点i的特征向量；

图神经网络的最后一层上使用一个全连接层或者softmax层来预测节点的类别，图神经网络表示为：（3）；

其中， 和 表示节点i在第t层和第t+1层的特征向量，f是用于更新节点特征的函数，对应全连接层，AGGREGATE是用于聚合邻居特征的函数，N(i)表示节点i的邻居节点集合。

6.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：空间‑时间‑空间的三层图卷积生成网络中，第一层空间卷积层在每个时间步下捕捉当前时刻的用户内容传播图结构信息；第二层时间卷积层聚合历史邻域信息，捕捉邻域子图结构演化特征；第三层空间卷积层采用递进方式捕捉全局用户内容传播图演化特征。

7.根据权利要求6所述的基于时空传播图的动态谣言检测方法，其特征在于：给定t时刻的图及其邻接矩阵，图卷积生成网络的第l层输入是第l‑1层输出的向量和邻接矩阵，输出是更新后的节点向量，第l层的运算表示为：         （4）

其中， 为邻接矩阵， 为权重， 和 分别为输入和输出， 为邻接矩阵 的加权度矩阵，σ表示ReLU函数。

8.根据权利要求6所述的基于时空传播图的动态谣言检测方法，其特征在于：第一层空间卷积层和第三层空间卷积层采用GRU组件来对图神经网络模型的权重参数进行更新。

9.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：所述将谣言演化图结构做图结构微调修改得到预测图包括：将谣言演化图结构输入至LSTM网络，以捕捉传播图中节点间的时序依赖关系，分析预测图中节点序列，同时使用多头自注意力，以捕捉所预测生成的传播图中高度相关节点对；最后，由全连接层对高度相关节点对进行链路预测，以核验二者之间是否应有边相连，过程描述为公式（5）:      （5）

其中， 和 分别表示可学习权重和偏差，k为图卷积层数， 和 分别代表第k层和k‑1层的 ， 的计算方式为： ， 为目标节点的向量表示，为源节点向量表示；

若 输出为负数，relu激活函数将其转换为0，否则原样输出。

10.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：所述将用户内容传播图和预测图进行融合，形成谣言历史与演化图结构包括：直接使用拼接方式来合并用户内容传播图和预测图的节点和边，假设用户内容传播图和预测图分别为和 ，其中V1和V2分别表示用户内容传播图和预测图的节点集合，A1和A2分别表示用户内容传播图和预测图的边集合信息对应的邻接矩阵，连接两个图的过程用以下数学公式表示：（1）合并节点集合：V=V1∪V2，

其中，V表示连接后的图的节点集合，将两个原始图的节点集合合并成一个新的节点集合；

（2）合并边集合：A=A1+A2，

其中，A由用户内容传播图和预测图的邻接矩阵相加所得到；

（3）更新连接后的图的特征：

对于连接后的图，可以根据需要对节点和边的特征进行更新或保留原有特征。