主要使用异构的数据，解决的全局语义的问提，以提高检测结果
目前存在的方法：
构建了一个根据内容和谣言传播来源构建tweet-word-user 的异构网络，并加入一个图注意力网络来捕捉内容的全局语义关系结合源推传播的全局结构信息进行谣言检测。
主要使用双向CGN解决谣言传播与扩散这两个角度的监测问题
实际上，传播和散布是谣言的两个重要特征。本文提出了一种新的双向图模型。双向图卷积网络(Bi-GCN)，通过操作自顶向下和自底向上谣言传播来探索这两种特征。它利用一个由上至下的谣言传播有向图的GCN来学习谣言传播的模式;和一个具有相反方向谣言扩散图的GCN来捕捉谣言扩散的结构。GCN的每一层都涉及到源贴的信息，以增强谣言从根源上的影响。
把传播结构作为一个事件 ，A表示邻接矩阵，只包括从上节点到下节点的边，X表示 特征矩阵。为了防止过拟合，我们采用DropEdge方法成 。根据 和X，建立Bi-GAN模型，分程 从上而下GCN(TD-GCN) 和 从下而上GCN(BU-GCN) ，共享特征矩阵X，邻接矩阵有所不同，分别是 和 。
对于TD-GCN模块，把 和X输入到GCN模型当中，激活函数采用Relu，同理BU-GCN也是如此计算。
一个谣言事件的源帖往往具有丰富的信息，产生广泛的影响，有必要更好地利用源帖子的信息，并从节点与源帖子的关系中学习更准确的节点表示。我们提出了一种根特征增强操作来提高谣言检测的性能。因此我们将每个节点的隐藏特征向量与(k−1)层 GCL的根节点的隐藏特征向量连接起来，构造一个新的特征矩阵为：
对于聚合，我们采用平均池的操作
采用了Weibo，Twitter15以及Twitter16三个数据集进行实验，此三个数据集，节点表示用户，边表示转发和回应，特征是根据Bi-GCN中提到的TF-IDF值抽取的前5000个单词。
水墲月心时
