请绘制一张用于学术论文的模型结构示意图，整体为横向

请绘制一张用于学术论文的模型结构示意图，整体为横向的数据流架构图，从左到右展示一个用于跨领域谣言检测的多模态深度学习模型。整体风格简洁、理性、科技感强，线条清晰，背景为浅色或白色，模块采用柔和但区分明确的配色。最左侧为 Input & Preprocessing 模块，使用 #D9E8F8 配色，内部包含事件级会话图输入、节点文本、图标签、域标签，以及由 EmoLLM 生成的节点级情绪特征和由大语言模型生成的 root rationale，箭头指向标准化后的会话图表示 G，包含节点特征矩阵、边结构、情绪序列和元信息。接下来是 Emotion Serialization Module，作为核心创新模块之一，用 #F7CECC 配色标注，模块内部标注 BiLSTM 或序列编码器结构，将按传播顺序排列的节点情绪序列编码为事件级情绪轨迹向量，并显式输出情绪波动强度或方差特征，箭头清晰指向后续模块。随后进入 Graph Encoder 模块，使用 #FFF5C4 配色，展示一个改进型 GNN（如 GAT 或 GIN），输入为会话图结构及融合文本与情绪的节点特征，在图内部隐式建模情绪波动传播，输出图级事件表示 embedding。与图编码并行或稍后的位置展示 LLM Text Encoder with Rationale Soft Prompt 模块，使用 #9FCEFC 配色，模块中明确显示 root rationale 与原始根帖文本的拼接格式，并通过冻结或 LoRA 微调的大语言模型编码生成句子级语义向量和可选 token-level 表示，体现“Rationale 作为 Soft Prompt”的设计思想。随后将图结构表示、情绪序列表示与 LLM 表示共同输入到 Structure-aware Soft Prompt Fusion Module，该模块使用 #E2D5E7 配色，内部可示意投影层、注意力机制或 Transformer 结构，用于将结构与情绪信息以软提示方式注入语言模型语义空间，输出结构感知的多模态事件级表示。最右侧为 Rumor Classifier & Cost-sensitive Thresholding 模块，使用 #F3FEF6 配色，展示一个简洁的分类头，输出谣言与非谣言的 logits，并标注阈值优化