1.一种用户参与热点话题的预测方法，其特征在于，获取数据源模块利用社交网络中

热点话题的互动数据，将已参与话题用户的粉丝作为备选用户；属性提取模块，分别从备选用户自身属性、备选用户好友属性以及备选用户所属社团属性获取上述三部分的相关因子函数；构建参与热点话题预测模型，并对模型参数进行拟合；将拟合后获得的参数和任一时刻t的话题参与情况输入到预测模型进行下一时刻备选用户是否会参与该话题讨论的预测，根据预测结果获取下一时刻备选用户归属的社交网络及数据流信息，调整网络结构。

2.根据权利要求1所述的预测方法，其特征在于，所述备选用户自身属性包括：备选用户是否是活跃用户；备选用户的标签中是否有与热点话题一致的关键字；备选用户的关注用户有几个是已参与话题的用户；备选用户的关注用户的话题总带动力。

3.根据权利要求根据权利要求1所述的预测方法，其特征在于，所属相关因子函数表示备选用户和相关属性间的相关性，根据公式：  确定备选用户自身相关的因子函数，其中，fk(xik,yi)表示备选用户的参与行为和自身相关属性间的相关性，yi＝1表示备选用户vi会在未来时间段参与该话题的讨论，xik≠0∩yi＝1表示备选用户vi的第k个属性值不为0且备选用户在下一时间段会参与该话题；根据公式： 确定备选用户好友相关的因子函数，其中，gl(yi,yj,pafl(vj))表示备选vi用户的参与行为与备选用户好友vj属性pafl(vj)间的相关性，pafl(vj)表示备选用户vj的第l个属性值；根据公式确定备选用户所属社团的因子函数，其中，h(yi,gaf(vi,Cm))表示备选用户的参与行为与所属社团属性gaf(vi,Cm)的相关性。

4.根据权利要求2所述的预测方法，其特征在于，确定备选用户是否是活跃用户进一步包括：根据公式： 判断备选用户vi是否是活跃用户，其中，xi1(vi)表示备选用户vi的第1个属性，activity(vi)代表用户vi的活跃指数，κ为用户活跃指数排名阀值。

5.根据权利要求4所述的预测方法，其特征在于，根据公式：activity(vi)＝ρ*Ε[origNum(vi)]+Ε[retwNum(vi)]确定用户vi的活跃指数activity(vi)，其中，Ε[origNum(vi)],Ε[retwNum(vi)]分别是用户vi在话题发起前预定时间段的日均原创微博数和日均转发微博数，ρ为原创微博数弱化率。

6.根据权利要求2所述的预测方法，其特征在于，确定备选用户的关注用户的话题带动力进一步包括：根据公式： 确定备选用户vi的关注用户的话题总带动力，其中，inf(uk)表关注用户uk的话题带动力，n表示备选用户vi的已参与话题的关注用户总数，根据公式：inf(uk)＝ln(Ε[readNum(uk)]+1)+Ε[retNum(uk)]+Ε[comNum(uk)]获得，其中，Ε[readNum(uk)],Ε[retNum(uk)],Ε[comNum(uk)]分别指用户uk在话题发起前预定时段内原创微博和转发微博的浏览数期望、转发数期望和评论数期望。

7.根据权利要求1所述的预测方法，其特征在于，备选用户好友属性包括：备选用户好友是否是认证用户，备选用户好友是否是意见领袖，通过公式： 确定备选用户好友vi是否是意见领袖，deg(vi)表示备选用户vi的粉丝特征值，粉丝特征值deg(vi)为：deg(vi)＝σ×[fans(vi)-mutfans(vi)]+mutfans(vi)，其中，fans(vi),mutfans(vi)分别代表备选用户好友vi的粉丝数，互为好友数，ζ为粉丝特征值排名阈值，σ为减少粉丝数量特征值的数量差距。

8.根据权利要求1所述的预测方法，其特征在于，预测模型进行下一时间段备选用户是否会参与该话题的预测具体包括，根据t时间段提取的备选用户Vt，备选用户间的好友关系集合 备选用户、备选用户好友、备选用户所属社团的属性集合X,paf(V),gaft t t

(V)，建立在t时间段的输入网络G ＝(V ,E ,X,paf(V),gaf(V))构建预测模型因子图；计算每个备选用户的边缘概率，根据边缘概率获得下一时间段备选用户是否会参与该话题的预测。