1.一种基于影响力最大化的抑制虚假消息传播方法，其特征在于，包括：

(1)对于传播的信息流，采用Louvain聚类局部度中心性算法LCLD或最大随机节点度算法RMD进行处理，获取影响力最大的节点集合；

(2)使用Word2Vec将节点集合中节点用户发布的消息转换为三维词向量，并采用TextCnn网络对得到的词向量进行识别分类，区分真实消息节点与虚假消息节点；

(3)对节点集合中发布虚假消息的节点进行过滤。

2.根据权利要求1所述的基于影响力最大化的抑制虚假消息传播方法，其特征在于，还包括对抑制虚假消息传播的效果进行监控，具体为：构建端到端的信息级联预测模型DeepCas，在步骤(1)之前，对初始信息流的传播进行预测；在步骤(3)之后，再次使用信息级联预测模型DeepCas对过滤后的信息流进行预测，并将前后两个预测结果对比后得出抑制虚假消息传播的效率。

3.根据权利要求2所述的基于影响力最大化的抑制虚假消息传播方法，其特征在于，所述的信息级联预测模型DeepCas进行传播预测的具体步骤如下：先从信息流的级联图中采样节点序列，采样过程为在级联图gc上执行随机游走，获得带有T个节点的K个序列；然后采用共享嵌入矩阵将节点转换为嵌入向量，采用双向门控循环单元GRU捕捉采样序列所表示特定扩散项的信息流，令步骤t和序列中的第i个节点，把每一步t的输入节点嵌入xi∈RH和先前隐藏状态hi-1∈RH作为输入，用GRU来计算更新的隐藏状态hi＝GRU(xi,hi-1),h∈RH，获得的第k个序列第i个节点的表征 对于得到的序列表征，采用对组合图表征的注意力模型学习整个级联图的表征，预测其未来尺寸。

4.根据权利要求1所述的基于影响力最大化的抑制虚假消息传播方法，其特征在于，步骤(1)中，采用Louvain聚类局部度中心性算法LCLD进行处理时，具体步骤如下：(1-1)将网络中的每一个节点设置为一个独立的社团，由任意相邻的节点i和j，将节点i加入到其邻居节点j所在的社团M，计算出加入前后的模块度增量ΔQ，从节点i及其所有的邻居节点中比较出最大的ΔQ，若ΔQ＞0，则将节点i加入到相应邻居节点所在的社团，反之则不变；

(1-2)重复迭代，直至划分出网络的第一层社团结构；

(1-3)使用上述划分出的社团构建一个新的网络，令节点间连边权重为两个社团之间所有连边的权重和，重复(1)和(2)中的划分方法，得到网络的第二层社团结构，以此类推得到最终的网络社团结构；

(1-4)计算聚类局部度中心CLD的值，对划分得到的网络中所有节点进行打分，其公式如下：CLD(i)＝(1+Ci)∑j∈N(i)d

其中，N(i)表示节点i的最近邻居节点集，C(i)表示节点i的聚类系数，d表示节点i的度值；

(1-5)对社团按照大小进行排序，再依次从每个社团中选出分值最高的节点，以及分值第二高的节点，直至选取数量为预设值s的节点组成影响力最大的CLD节点集。

5.根据权利要求1所述的基于影响力最大化的抑制虚假消息传播方法，其特征在于，步骤(1-1)中，所述模块度的公式为：其中，m表示网络连边数，v和w分别表示网络中的两个随机节点，若v与w相连，则Avw＝1，反之Avw＝0，kv和kw分别表示节点v和w的度值，若节点v和w在同属于一个社团，则δ(cv,cw)＝

1，反之δ(cv,cw)＝0。

6.根据权利要求1所述的基于影响力最大化的抑制虚假消息传播方法，其特征在于，步骤(1)中，采用最大随机节点度算法RMD进行处理的具体步骤如下：(1-1)’对于具有n个节点的复杂网络，从中随机选出一个节点i，将节点i与其邻居节点的度值进行比较，选出其中度值最大的节点作为种子节点，直到选择s个不同的种子节点为止作为种子节点集合；

(1-2)’扩大α倍种子节点数，再从αs个种子节点中选出s个度数最大的节点作为影响力最大的RMD节点集。

7.根据权利要求1所述的基于影响力最大化的抑制虚假消息传播方法，其特征在于，步骤(2)中，所述的TextCnn网络包括依次连接的嵌入层、卷积层、池化层和全连接层。