1.基于异构传播结构与动态特征融合的谣言检测方法，其特征在于，包括以下步骤：S1、构建预处理与综合特征提取模块：对社交网络数据进行预处理，针对预处理后的数据分别提取用户和帖子静态特征，并基于 个时间窗口分别计算用户和帖子动态特征，融合静态和动态特征获得动态融合特征；

S2、构建异构交互图学习模块：通过动态融合特征构建异构图序列，利用异构图卷积网络对异构图序列进行卷积更新，输出异构图特征矩阵Hk；具体包括以下子步骤：S2.1、通过动态融合特征构建异构图序列 ，其中 代表第i个时间窗口的异构图快照，包括两类节点：用户节点 和帖子节点 ；以及边关系：用户‑‑用户 、帖子‑‑帖子 和用户‑‑帖子 ；

S2.2、采用异构图卷积网络进行异构关系感知，设引入关系感知传播算子 ，对不同类型的边关系分配可学习的注意力权重，通过公式：计算传播算子，聚合不同关系的邻居

信息，输出异构图特征矩阵序列{ H1, H2,…, Hk.}， 、 、 分别表示归一化异构边矩阵 对应的注意力权重参数；

S3、构建传播级联模块：首先构建有向传播树，利用图注意力网络GAT处理有向传播树，获得传播级联全局表征Pk；具体为：以源帖子为根节点，以转发/评论关系为边，构建有向传播树序列 ，利用图注意力网络GAT处理传播树，通过计算节点间的注意力系数，自动关注对谣言判别贡献大的关键传播路径，经过多层图注意力网络GAT聚合与池化操作，得到各个时间窗口的传播级联全局表征 ；

S4、构建时空动态融合模块：基于步骤S2的异构图特征Hk和传播级联特征Pk进行深度融合，将不同时间窗口的异构图特征Hk和传播级联特征Pk进行融合，生成异构图表示 和传播级联表示 ；具体包括以下子步骤：S4.1、设置历史积累特征表示 来作为前i个时间窗口的融合特征表示，当进行异构图特征融合时，令 ，在传播级联特征融合时，令 ，通过下式计算交叉注意力得分：；

其中 ，，分别代表查询矩阵、键矩阵和值矩阵， 是键向量的维度，用于缩放点积，q是归一化函数；Qα 是第k个时间窗口的异构图特征表示 或传播级联表征 与W相k v乘得到的查询矩阵Q， 和 是第k‑1个时间窗口的历史积累特征表示 分别与W和W 相q k v乘得到的键矩阵K和值矩阵V，W、W、W表示线性映射权重矩阵；

S4.2、将时间窗口k的特征向量 或 作为Q，将第k‑1个时间窗口得到的历史积累特征向量 作为K和V，识别贯穿时间窗口的关键交互模式，得到最终异构图表示 和传播级联表示 ；

S5、构建基于多层感知机的谣言分类模型：将异构图表示 和传播级联表示 进行拼接获得最终表示，输入多层感知机的谣言分类模型，结合交叉熵损失函数，获得谣言或非谣言的预测结果。

2.根据权利要求1所述的基于异构传播结构与动态特征融合的谣言检测方法，其特征在于，步骤S1包括以下子步骤：S1.1、针对社交网络中的帖子内容，使用预训练BERT模型，通过下式获取帖子的静态特征：，  ；

式中， 表示帖子的静态特征， 表示帖子的原始内容， 表示预训练语言模型，用于将文本内容转化为向量嵌入； 表示用户的原始属性信息， 表示用于提取用户高维特征的预训练编码模型；

S1.2、将谣言传播周期划分为k个时间窗口，并且在每个时间窗口分别计算用户节点和帖子节点的动态特征，得到用户动态特征 和帖子动态特征 ；

S1.3、对于各个时间窗口内每个用户和帖子，通过公式 融合静态和动态特征，获得时间步长的动态融合特征，其中， 表示向量拼接操作，表示第 个时间窗口用户或帖子的动态融合特征， 表示用户静态特征或帖子的静态特征，表示用户或帖子动态特征， ，当i=u时表示用户节点，当i=p时表示帖子节点。

3.根据权利要求1所述的基于异构传播结构与动态特征融合的谣言检测方法，其特征在于，步骤S5中，通过下式获取最终表示：，

其中， 表示拼接操作。

4.根据权利要求1所述的基于异构传播结构与动态特征融合的谣言检测方法，其特征在于，步骤S5中，交叉熵损失函数公式如下式：，

式中，  表示真实标签， 表示预测标签，N表示样本数量，log()表示自然对数运算。

5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述方法的步骤。