1.一种对微博谣言话题或/和辟谣话题传播趋势的预测方法，其特征在于，所述方法包括以下步骤：S1、获取参与微博谣言话题或/和辟谣话题的数据源信息，提取出参与用户的相关属性，包括提取出用户的内部属性特征和外部属性特征；

S2、综合参与用户的内部属性特征和外部属性特征，使用多元线性回归算法，构造谣言与辟谣信息的影响力函数；

S3、构建出转发谣言信息和转发辟谣信息的博弈策略，基于影响力函数，建立出谣言与辟谣互影响力模型，计算出谣言与辟谣的互影响力；

所述谣言与辟谣的互影响力的表达公式包括：

其中，Mutrumor(ui)表示经过相互影响后的谣言信息对用户ui传播行为的影响力；

Mutanti_rumor(ui)表示经过相互影响后的辟谣信息对用户ui传播行为的影响力；Prorumor(ui)表示用户ui转发谣言消息的收益函数，Prorumor(ui)＝P1×Infrumor(ui)；Infrumor(ui)表示谣言消息的影响力函数；Proanti_rumor(ui)表示用户ui转发辟谣消息的收益函数，Proanti_rumor(ui)＝P2×Infanti_rumor(ui)；Infanti_umor(ui)表示辟谣消息的影响力函数；P1表示用户ui好友中转发谣言信息的比例，P2表示用户ui好友中转发辟谣消息的比例，P1+P2＝1；

S4、基于表示学习的方法将各个用户节点映射到像素空间，构建出当前时刻的用户转发图像，利用卷积神经网络预测出下一时刻的用户转发图像；

S5、将谣言与辟谣的互影响力与卷积神经网络预测的用户转发图像相融合，建立出逻辑回归预测模型，从而预测出各个用户在下一时刻是否参与谣言话题或/和辟谣话题的讨论。

2.根据权利要求1所述的一种对微博谣言话题或/和辟谣话题传播趋势的预测方法，其特征在于，所述参与谣言话题或/和辟谣用户的数据源信息包括用户转发谣言话题、辟谣话题的时间；用户评论谣言话题、辟谣话题的时间；用户的关注信息和被关注信息；用户历史所转发和评论的消息。

3.根据权利要求1或2所述的一种对微博谣言话题或/和辟谣话题传播趋势的预测方法，其特征在于，所述用户的内部属性特征包括：

用户个人属性Att(ui)：

Att(ui)＝[gender(ui),city(ui),fansNum(ui),friendsNum(ui)用户活跃度Act(ui)：

Act(ui)＝α*originalNum(ui)+retweetNum(ui)；

用户历史转发率Ret(ui)：

所述用户的外部属性特征包括：

用户的好友带动力Fri(ui)：

信息与用户关联度Rel(ui)：

信息传播影响力Spr(t)：

其中，gender(ui)表示用户ui的性别，city(ui)表示用户ui的所在城市，fansNum(ui)表示用户ui的粉丝数，friendsNum(ui)表示用户ui的好友数；α∈[0,1]，表示弱化原创微博数对用户活跃度的影响因子；originalNum(ui)表示用户原创微博的数量；retweetNum(ui)表示用户ui在过去一个月内转发微博的数量；totalTweetNum(ui)表示用户ui在过去一个月内从好友处获取的全部微博数量；用户uj为用户ui的好友， 表示用户uj在过去一个月发起信息的平均转发数；向量 表示目标信息，向量 表

0 n‑1 n

示用户过去发布的微博；t、t 和t分别表示目标信息产生的时刻、当前时刻的前一时刻和n n‑1 n n‑1当前时刻；tergatNum(t)和tergatNum(t )分别表示截止到当前时刻t 及前一时刻t 目标信息的转发次数，w为半衰期。

4.根据权利要求1所述的一种对微博谣言话题或/和辟谣话题传播趋势的预测方法，其特征在于，所述谣言与辟谣信息的影响力函数的表达公式包括：其中，ρ0表示信息影响力的起点，ρ1表示内部属性特征因素在信息影响力中所占的比重；ρ2表示外部属性特征因素在信息影响力中所占的比重，fin(ui)表示用户ui的内部属性特征； 表示谣言信息对用户ui的外部属性特征； 表示辟谣信息对用户ui的外部属性特征。

5.根据权利要求1所述的一种对微博谣言话题或/和辟谣话题传播趋势的预测方法，其特征在于，所述步骤S4包括：S41、利用节点嵌入算法将用户映射到二维空间，通过切割和扩散的形式生成用户像素阵列；将t时刻的用户转发数据对应输入到像素阵列的像素点中，形成t时刻的用户转发图t像image；

S42、在卷积神经网络模型中输入当前t时刻的前n个时刻用户转发图像输出下一时刻即t+1时刻用户转

t+1

发图像R (ui)。

6.根据权利要求1所述的一种对微博谣言话题或/和辟谣话题传播趋势的预测方法，其特征在于，所述步骤S5包括：其中，θ0表示逻辑回归截距；θ1表示谣言/辟谣驱动因素的参数；θ2表示t+1时刻用户转t+1发图像的参数；Mut(ui)表示谣言或辟谣信息对用户ui传播行为的影响力，R (ui)表示卷积神经网络预测出在t+1时刻的用户转发图像，logistic(b|ui)表示用户ui在下一时刻是否参与谣言话题或/和辟谣话题的讨论。

7.一种对微博谣言话题或/和辟谣话题传播趋势的预测装置，其特征在于，所述装置包括：API接口模块，用于接收用户参与微博谣言话题或/和辟谣话题的数据源信息；

数据分类模块，用于提取用户的内部属性特征和外部属性特征；

谣言与辟谣互影响力模型构造模块，基于博弈理论，量化出谣言与辟谣的互影响力；

所述谣言与辟谣互影响力模型构造模块包括：

多元线性回归单元，用于构建谣言与辟谣信息的影响力函数；

博弈单元，用于构建转发谣言信息和转发辟谣信息的博弈策略；

谣言与辟谣互影响力模型单元，基于谣言与辟谣信息的影响力函数，利用演化博弈论，量化出谣言与辟谣的互影响力，表示为：其中，Mutrumor(ui)表示经过相互影响后的谣言信息对用户ui传播行为的影响力；

Mutanti_rumor(ui)表示经过相互影响后的辟谣信息对用户ui传播行为的影响力；Prorumor(ui)表示用户ui转发谣言消息的收益函数，Prorumor(ui)＝P1×Infrumor(ui)；Infrumor(ui)表示谣言消息的影响力函数；Proanti_rumor(ui)表示用户ui转发辟谣消息的收益函数，Proanti_rumor(ui)＝P2×Infanti_rumor(ui)；Infanti_umor(ui)表示辟谣消息的影响力函数；P1表示用户ui好友中转发谣言信息的比例，P2表示用户ui好友中转发辟谣消息的比例，P1+P2＝1；

卷积神经网络模型模块，用于构造卷积神经网络，预测出下一时刻的用户转发图像；

逻辑回归预测模块，用于将谣言与辟谣的互影响力与下一时刻的用户转发图像融合，预测出用户在下一时刻是否参与谣言话题或/和辟谣话题的讨论。

8.根据权利要求7所述的一种对微博谣言话题或/和辟谣话题传播趋势的预测装置，其特征在于，所述卷积神经网络模型模块包括：节点嵌入模块，用于构造节点嵌入算法，输入t时刻的用户转发数据，输出t时刻的用户转发图像；

卷积神经模型，用于输入当前时刻以及历史时刻的用户转发图像，输出下一时刻的用户转发图像。