La proliferación de Internet y dispositivos móviles ha hecho cada vez más fácil propagar rumores en las redes sociales. Los rumores generalizados pueden incitar pánico público y tener efectos perjudiciales en las personas. En los últimos años, los investigadores han encontrado que tanto la estructura espacial de la difusión de rumores como las características temporales de la propagación pueden ser efectivas para identificar rumores. Sin embargo, los métodos existentes tienden a centrarse en la estructura espacial o la información temporal de forma aislada, y pocos modelos pueden capturar eficazmente ambos tipos de información. Además, la mayoría de los métodos existentes tratan la información temporal en constante cambio como instantáneas estáticas, ignorando el momento preciso de la propagación. Además, a medida que los usuarios vuelven a publicar y comentar, el conocimiento de fondo asociado con las publicaciones también evoluciona dinámicamente, lo cual suele ser ignorado. Para abordar estas limitaciones, proponemos CGNKP (Redes de Gráficos Dinámicos en Tiempo Continuo integradas con Propagación de Conocimiento), un modelo que captura conjuntamente la estructura espacial y las características en tiempo continuo de la propagación de publicaciones para comprender completamente la dinámica del conocimiento de fondo. Específicamente, introducimos un método novedoso para codificar gráficos dinámicos en tiempo continuo, modelando el proceso de propagación a través de dos gráficos dinámicos: un gráfico de propagación temporal (para la difusión de publicaciones) y un gráfico de conocimiento temporal (para la difusión de conocimiento). Experimentos extensos en conjuntos de datos del mundo real demuestran que CGNKP supera significativamente a múltiples líneas de base sólidas, logrando precisión de 0.861 en el conjunto de datos de Twitter15 y 0.903 en el conjunto de datos de Twitter16.