1.基于表示学习的网络谣言传播控制方法，其特征在于，包括以下步骤：

S1、获取当前时刻的原始数据作为训练数据，对训练数据进行预处理，并对预处理后的原始数据进行时间分片；

S2、基于用户社交结构、用户历史信息、用户基本属性，分别提取用户社交结构、用户历史信息、用户基本属性三个方面的相关属性向量，并将相关属性转换为3个长度相同到的低位稠密实质向量；

S3、构建图卷积神经网络，并将特征向量作为图卷积神经网的输入；

S4、利用训练数据对图卷积神经网络进行训练；

S5、图卷积神经网络输出下一个时刻用户的粉丝参与话题的概率、该粉丝参与谣言的概率以及该粉丝参与辟谣话题的概率；

S6、若该用户参与谣言的概率最大，则将辟谣消息推送给该用户。

2.根据权利要求1所述的基于表示学习的网络谣言传播控制方法，其特征在于，用户历史信息的相关属性向量的获取过程包括：获取用户发布在社交网络发布的短文本以及用户在社交网络转发的内容；

将用户发布在社交网络发布的短文本以及用户在社交网络转发的内容拼接成一个文档作为该用户的社交信息语料库；

利用结巴分词对语料库中的句子进行分词并排除常用停用词后，获得关键词候选序列；

利用使用TF-IDF算法计算用户关键词权重，提取权重最大的N个关键词；

使用Doc2vec方法，将该权重最大的N个关键词转化成向量，作为该用户的用户历史信息的相关属性向量。

3.根据权利要求1所述的基于表示学习的网络谣言传播控制方法，其特征在于，用户社交网络结构的相关属性向量的获取过程包括：根据用户活跃度、用户历史转发率和用户信息感知率建立用户内部影响因素；

根据好友带动力、信息传播影响力建立用户外部影响因素；

基于多元线性回归算法，根据内部影响因素和外部影响因素分别构建谣言消息影响力和辟谣消息影响力；

利用利用演化博弈理论度量对谣言消息和辟谣消息的影响力进行优化；

根据优化后各个用户之间的形象力建立用户关联矩阵；

利用Node2vec方法将用户关联矩阵训练成向量，该向量即为用户社交网络结构的相关属性向量。

4.根据权利要求3所述的基于表示学习的网络谣言传播控制方法，其特征在于，所述利用演化博弈理论度量对谣言消息和辟谣消息的影响力进行优化包括将谣言消息影响力与用户的邻接用户中转发谣言消息比例之积作为用户转发谣言消息的收益、将辟谣消息影响力与用户的邻接用户中转发辟谣消息的比例之积作为用户转发辟谣消息的收益，基于演化博弈理论，获取优化的谣言消息和辟谣消息的影响力，表示：其中，MutR(ui,uj)表示优化后的谣言消息用户ui对用户uj的谣言传播行为影响力，MutA(ui,uj)表示优化后的辟谣消息用户ui对用户uj的谣言传播行为影响力，ProR(ui,uj)表示用户转发谣言消息的收益，ProA(ui,uj)表示用户转发辟谣消息的收益。

5.根据权利要求3所述的基于表示学习的网络谣言传播控制方法，其特征在于，用户关联矩阵表示为：其中， 为用户关联矩阵； 为用户ui与用户uj之间的关系，表示为：

MutR(ui,uj)表示优化后的谣言消息用户ui对用户uj的谣

言传播行为影响力，MutA(ui,uj)表示优化后的辟谣消息用户ui对用户uj的谣言传播行为影响力。

6.根据权利要求1所述的基于表示学习的网络谣言传播控制方法，其特征在于，用户基本属性的相关属性向量的获取过程包括：设置栈式自编码器数量为h，将用户多维属性输入到栈式自编码器中，栈式自编码器通过逐层贪婪训练法依次训练网络中的每一个自编码器，前一个自编码器在训练得到的编码器向量，作为后一个自编码器的输入，第h个自编码器训练完成得到的编码向量作为整个栈式自编码器的输出，最终输出指定维度的向量，该向量即为用户多维属性的相关属性向量，其中用户个体因素、用户信息感知力和用户活跃度，用户个体因素包括用户的粉丝数、用户性别、账号创建时间。

7.根据权利要求1所述的基于表示学习的网络谣言传播控制方法，其特征在于，步骤S1具体包括：抓取某个谣言话题下的转发或评论用户的信息，包括已参与话题讨论用户的粉丝信息，并使用文本情感分析对抓取的信息进行分类，判断其为谣言还是辟谣；对训练数据进行时间分片，在每个时间分片的周期里，从训练数据中找出已参与该谣言话题的用户以及该谣言话题的用户的粉丝。

8.根据权利要求1所述的基于表示学习的网络谣言传播控制方法，其特征在于，图卷积神经网络包括CNN网络和一个含有一层dropout中间层的双层图卷积神经网络，CNN网络用于对特征网络进行卷积，双层卷积神经网络用于根据CNN网络的输出以及网络中节点的连接关系进行预测，表示为：其中，Z表示图卷积神经网络的输出；H1表示第一层图卷积神经网络的输出；A表示谣言话题下用户之间的邻接矩阵；表示邻接矩阵A的归一化矩阵； 表示使用的dropout层；cnn_model(H0)表示特征矩阵H0经过CNN网络卷积后的值；W0表示图卷积神经网络第一层的权重矩阵；W1表示图卷积神经网络第二层的权重矩阵。