1.一种基于智慧社区大数据知识图谱的不良舆论传播抑制方法，其特征在于：其包括以下步骤：
s1)构建基于智慧社区不良舆论传播抑制模型的知识图谱，基于此模型构建不良舆论传播抑制模型的社区网络；
s2)对于构建的社区网络，采用社团检测算法将社区网络划分为多个社团，采用经典的bgll算法，通过定义模块度函数，将社团检测问题转变为一个优化的问题；
s3)根据社团结构的性质，选择对应节点得到一个候选免疫节点集；
s4)基于步骤s3)得到的候选免疫节点集，结合网络社团的性质，利用改进memetic算法优化传播阈值函数从候选免疫节点集中选择最终的免疫节点，高效的抑制智慧社区中不良舆论的传播。
2.如权利要求1所述的基于智慧社区大数据知识图谱的不良舆论传播抑制方法，其特征在于：所述步骤s1)中，构建基于智慧社区不良舆论传播抑制模型的知识图谱，包括从原始的社区数据出发，通过知识抽取和知识表示从原始数据和第三方数据库中抽取出来社区知识，然后将提取的所述社区知识存入知识库的数据层和模式层中，通过知识融合包括实体链接和知识合并，解决已有的社区知识存在冗余、缺乏逻辑性的问题；对社区知识形成的知识图谱中由于数据源或不同构建方法产生的冲突，根据数据源可靠性或机器学习方法进行冲突解决，形成所述智慧社区大数据知识图谱。
3.如权利要求1所述的基于智慧社区大数据知识图谱的不良舆论传播抑制方法，其特征在于：所述步骤s2)中采用社团检测算法将社区网络划分为多个社团，具体包括：
s21)采用社团检测算法将复杂社会网络划分为不同的子网络，在构建了智慧社区大数据知识图谱后，建立社区知识图谱的模块度函数，其定义如下：
其中，a是网络的邻接矩阵，m是网络中的边数，ki是节点i的度即发生在节点i上所有边的权重之和，当节点i和节点j在同一个社团时，δ(i,j)＝1，否则δ(i,j)＝0；
s22)采用基于模块度优化的bgll算法，自底向上的不断聚合，将社区网络中的每个节点划分为一个子社区，对于网络中的每个节点i，考虑所有的邻居节点j，把节点i从它所在的社区移动到其邻居j所在的社区，模块度增量变化，把节点i移动到使得模块度增量最大的节点j所在的社区，每一次节点移动一个孤立节点到其邻居所在的社团模块度增益为δq：
其中∑in是社区网络内部中所有边的权重之和，∑tot是社区网络中所有节点相关的边的权重之和，ki为节点度即发生在节点i上所有边的权重之和，ki,in是节点i到社区网络中所有节点的边的权重和，m是网络中所有的边的权重之和；
s23)将步骤s22)中所划分出来的社团看作一个节点，从而得到一个新的网络，新节点之间的边的权重为两个新节点之间原本的权重之和，处在同一社区中的节点之间的边导致新网络中该新节点有自环的边；然后对于构建的新网络使用s22)中的方法进行迭代，当网络不再改变即出现了最大模块度的时候停止迭代，得到多个社团划分。
4.如权利要求1所述的基于智慧社区大数据知识图谱的不良舆论传播抑制方法，其特征在于：所述步骤s3)中，根据社团结构的性质，选择合适的节点得到一个候选免疫节点集；具体包括：
s31)计算社团每个节点的节点度，其计算公式如下：
其中入度
s32)取每个社团中靠前设定数量的内度最大的节点作为枢纽节点，外度大于1的所有节点作为桥节点，该桥节点即为候选种子节点。