1.一种基于双动态图卷积网络时空特征学习的网络谣言检测方法，其特征在于，所述方法包括如下步骤：步骤1、将事件根据时间划分为预设个数的时序状态，再结合转发和评论关系，将每个时序状态转化为传播结构；

步骤2、获取用户的社交特征，结合用户的社交特征和传播结构构成用户交互图；

获取原始帖子和响应信息，结合获取的原始帖子、响应信息以及传播结构，以构成信息传播图；

步骤3、利用两个不同的卷积网络分别对用户交互图和信息传播图进行学习，分别获得用户交互图特征和信息传播图特征；

步骤4、对于用户交互图特征，将上一层的特征与下一层的根节点特征向量进行拼接，得到增强后的用户交互图特征；

对于信息传播图特征，将上一层的特征与下一层的根节点特征向量进行拼接，得到增强后的信息传播图特征；

步骤5、基于交叉注意力机制构建时序融合单元，将增强后的用户交互图特征和增强后的用户交互图特征作为输入序列输入时序融合单元，得到时序融合单元的输出特征；

步骤6、对时序融合单元的输出特征进行全局平均池化处理，得到全局平均池化后的输出特征；

基于信息传播图中的初始特征，结合预训练预演模型得到语义特征；

将全局平均池化后的输出特征与语义特征进行拼接，得到事件的最终特征；

步骤7、将事件的最终特征输入多层感知机，再通过激活函数处理得到分类结果；

在所述步骤3中，利用两个不同的卷积网络分别对用户交互图和信息传播图进行学习，分别获得用户交互图特征和信息传播图特征，对应过程存在的关系式为：；

其中， 表示第 层用户交互图特征， 表示第 层信息传播图特征，表示经过激活函数处理， 表示归一化的对称邻接矩阵， 表示第 层用户交互图特征， 表示第 层信息传播图特征， 、 、 和 均表示第 层卷积网络中的可训练参数，表示事件， 表示时序状态；

在利用两个不同的卷积网络分别对用户交互图和信息传播图进行学习，分别获得用户交互图特征和信息传播图特征的过程中，归一化的对称邻接矩阵的定义式为：；

其中， 表示邻接矩阵， 表示单位矩阵， 表示度矩阵， 表示邻接矩阵和单位矩阵相加后的矩阵；

在所述步骤4中，对于用户交互图特征，将上一层的特征与下一层的根节点特征向量进行拼接，得到增强后的用户交互图特征，对应过程存在的关系式为：；

其中， 表示第 层增强后的用户交互图特征， 表示拼接操作，表示第 层用户交互图的根节点特征向量；

在所述步骤4中，对于信息传播图特征，将上一层的特征与下一层的根节点特征向量进行拼接，得到增强后的信息传播图特征，对应过程存在的关系式为：；

其中， 表示第 层增强后的信息传播图特征， 表示第 层信息传播图的根节点特征向量；

在所述步骤5中，基于交叉注意力机制构建时序融合单元，时序融合单元的定义式为:;

其中， 表示经过交叉注意力处理， 表示来自输入序列 的查询， 表示来自输入序列 的关键字的转置， 表示来自输入序列 的值， 表示关键字的特征维度， 和 分别表示两个不同的输入序列；

在所述步骤5中，将增强后的用户交互图特征和增强后的用户交互图特征作为输入序列输入时序融合单元，得到时序融合单元的输出特征，对应过程存在的关系式为：；

其中， 表示第 时刻的时序融合单元的输出特征， 表示第 时刻的时序融合单元的输出特征， 表示第 时刻的增强后的用户交互图特征， 表示第 时刻的增强后的信息传播图特征；

在所述步骤6中，对时序融合单元的输出特征进行全局平均池化处理，得到全局平均池化后的输出特征，对应过程存在的关系式为：；

其中， 表示全局平均池化后的输出特征， 表示平均池化操作；

在所述步骤6中，将全局平均池化后的输出特征与语义特征进行拼接，得到事件的最终特征，对应过程存在的关系式为：；

其中， 表示时间的最终特征， 表示语义特征；

在所述步骤7中，将事件的最终特征输入多层感知机，再通过激活函数处理得到分类结果，对应过程存在的关系式为：；

其中， 表示分类结果， 表示通过多层感知机处理， 表示经过激活函数处理， 表示线性层的参数， 表示线性层的偏置项。