1.一种基于稀疏表示和张量补全的谣言‑辟谣博弈传播控制方法，其特征在于，包括：获取用户数据信息，对用户数据信息进行预处理；提取预处理后的用户数据信息的相关属性；将用户数据信息的相关属性输入到基于稀疏表示和张量补全的谣言‑辟谣博弈传播模型，预测用户传播谣言的趋势；根据预测的用户谣言传播趋势对谣言传播的用户进行控制，阻止谣言的传播；提取用户数据信息的相关属性包括：提取用户的内部因素，所述内部因素包括用户个人属性Att(ui)和历史转发率Rate(ui)；提取用户的外部因素，所述外部因素包括用户交互度Mutual(ui)、参与者影响力Pinfluence(ui)以及信息基本属性Iattribute(Ii)；

构建基于稀疏表示和张量补全的谣言‑辟谣博弈传播模型的过程包括：S1：采用稀疏表示算法对用户数据信息的相关属性进行处理，使得谣言话题空间中的数据稠密化；

S11：将谣言话题空间数据转化为谣言话题空间矩阵Y；

S12：把谣言话题空间矩阵Y分解为谣言话题空间字典矩阵D和谣言话题空间稀疏编码矩阵X；

S13：根据谣言话题空间字典矩阵D和稀疏编码矩阵X对谣言话题空间矩阵Y进行优化；

优化的表达式为：

S14：采用拉格朗日乘子法对优化数据进行转化，得到无约束的谣言话题空间矩阵Y；

S15：采用k‑SVD算法求解无约束的谣言话题空间矩阵Y，得到谣言话题传播空间的稀疏有效数据；

其中，Xi表示Yi的稀疏表示，T0表示稀疏度约束参数，是一个常数， 表示矩阵F范数的平方，F表示矩阵的F范数，λ表示大于0的参数；

S2：采用张量模型对用户数据信息的相关属性进行补偿，得到用户交互度的完整张量；

S21：获取用户数据信息中相关属性的“谣言辟谣用户‑潜在用户‑交互度”的张量；

S22：根据最优模式秩计算步骤1中张量的最小核范数；

S23：采用高精度低秩张量补全算法对张量的最小核范数进行补全，得到张量核范数的等价形式；

S24：采用增广拉格朗日函数对张量核范数的等价形式进行处理，得到拉格朗日函数：S25：采用交替方向乘子法来求解拉格朗日函数的极值，根据极值对ΔPi、X以及Yi进行更新；得到用户交互度的完整张量X；

其中，X表示经过张量补全得到的张量，ΔP表示引入的每一个中间变量矩阵，Y表示拉格朗日乘子张量集合，λ表示惩罚因子，N表示变量矩阵的个数，wi表示张量在各阶矩阵化后的权重，||ΔPi(i)||*表示每一个辅助变量的二范数，＜X‑ΔPi,Yi＞表示张量X‑ΔPi与张量Yi的内积， 表示引入的每一个中间变量与用户完整张量差值的F范数的平方值；

S3：根据用户交互度完整张量以及数据稠密化后的用户相关属性计算用户的信息影响力；

S4：根据用户的信息影响力建立谣言‑辟谣互影响力模型，将用户数据输入到该模型中，得到谣言互影响力；

S5：根据谣言互影响力和图卷积神经网络构建谣言‑辟谣话题传播群体行为预测模型。

2.根据权利要求1所述的一种基于稀疏表示和张量补全的谣言‑辟谣博弈传播控制方法，其特征在于，对ΔPi、X以及Yi进行更新的公式为：ΔPi的更新公式：

X的更新公式：

Yi的更新公式：

其中，ΔPi表示引入的每一个中间变量矩阵， 表示拉格朗日函数L取得最小k+1

值时的变量值，Yi 表示第k+1次迭代时Yi的值，foldn(.)表示将矩阵重新合成张量，Dwi/λ表示奇异值收缩操作，wi/λ表示收缩算子为，X(i)表示张量X的i模式矩阵，Yi(i)表示拉格朗日乘I×J×K子张量的i模式矩阵，λ表示惩罚因子，Ω表示采样指标集合，M∈R 表示现有的不完整的张量，k表示迭代的次数。

3.根据权利要求1所述的一种基于稀疏表示和张量补全的谣言‑辟谣博弈传播控制方法，其特征在于，用户的信息影响力包括内部因素和外部因素；内部因素包括有用户自身属性和历史转发率；根据内部因素和外部因素采用对多元线性回归算法构造谣言和辟谣信息影响力函数；影响力函数为：Iinfluencerumor(ui)＝ρ0+ρ1*Infactors(ui)+ρ2*Outfactorsrumor(ui)Iinfluenceanti‑rumor(ui)＝ρ0+ρ1*Infactors(ui)+ρ2*Outfactorsanti‑rumor(ui)其中，ρ0、ρ1、ρ2分别表示使用多元线性回归算法训练得到的偏回归系数，ρ1、ρ2反应各因素在信息影响力中所占的比重，Infactors(ui)表示用户内部因素，Outfactorsrumor(ui)表示用户外部因素。

4.根据权利要求1所述的一种基于稀疏表示和张量补全的谣言‑辟谣博弈传播控制方法，其特征在于，获取谣言互影响力的过程包括：步骤1：根据博弈理论定义两种博弈策略，分别为“转发谣言信息”和“转发辟谣信息”；

步骤2：根据用户的信息影响力分别计算两种策略的收益函数；

步骤3：根据两种策略的收益函数计算谣言互影响力。

5.根据权利要求4所述的一种基于稀疏表示和张量补全的谣言‑辟谣博弈传播控制方法，其特征在于，谣言互影响力的公式为：其中，Mutrumor(ui)表示经过博弈之后的谣言对用户ui传播行为的影响力，ui表示用户，Prorumor(ui)表示转发谣言信息策略的收益函数，Proanti‑rumor(ui)表示转发辟谣信息策略的收益函数， 表示转发谣言信息和转发辟谣信息策略博弈之后指数函数，Mutrumor(ui)表示经过博弈之后的辟谣信息对用户ui传播行为的影响力。

6.根据权利要求1所述的一种基于稀疏表示和张量补全的谣言‑辟谣博弈传播控制方法，其特征在于，构建谣言‑辟谣话题传播群体行为预测模型的过程包括：步骤1：获取特征矩阵X＝N×F和博弈下的邻接矩阵 所述特征矩阵为用户数据稀疏表示过后的用户特征矩阵；根据张量补全后的数据和谣言互影响力构造博弈下的邻接矩阵；

步骤2：随机初始化权重和偏置，将特征矩阵X与初始权重相乘，在进行相乘的过程种添加偏差；将相乘的结果与归一化对称矩阵 相乘，得到卷积后的下一层输入的特征矩阵；

步骤3：将步骤2的特征矩阵输入到加入中间Dropout层的双层图卷积神经网络种进行模型的训练；在进行模型训练过程中进行Dropout操作；中间Dropout层的激活函数为RELU函数；

步骤4：采用SoftMax激活函数将卷积输出表示成节点不同分类的概率值；谣言‑辟谣话题传播群体行为预测模型的表达式为：t

其中，N表示谣言话题传播网络中用户节点数，F表示每个节点的输入特征维度，U 表示t时刻传播空间集， 表示传播空间之间的边集， 表示博弈后的边权值，A表示邻接矩阵，iReLU(.)表示激活函数，softmax(.)表示归一化处理，W为图卷积网络中对应第i层网络的权重矩阵。

7.根据权利要求1所述的一种基于稀疏表示和张量补全的谣言‑辟谣博弈传播控制方法，其特征在于，预测用户传播谣言的传播趋势为：Z＝P(r,a,d|ui)

若Y＝1，则潜在用户ui将在下一时间段转发谣言；若Y＝‑1，则潜在用户ui将在下一时间段转发辟谣；否则，潜在用户ui在下一间段内不参与该谣言话题；

其中，Z表示三类用户标签的概率，P(r,a,d|ui)表示每一类用户标签的概率，r表示转发谣言话题的用户，a表示转发辟谣的用户，d表示不参与话题的用户，P(r|ui)表示用户ui转发谣言的概率，P(a|ui)表示用户ui转发辟谣的概率，P(d|ui)表示用户ui不参与话题的概率。