1.一种用户参与热点话题的预测方法，其特征在于，获取数据源模块通过社交网络公共API或下载数据源，获取某个热点话题下的所有参与者及其粉丝的信息、过往行为数据，以及粉丝间的关注与被关注信息，删除重复数据、清理无效节点，对数据进行时间分片找出备选用户，依据备选用户间的好友关系建立网络；属性提取模块根据公式：计算备选用户自身相关的因子函数fk(xik,yi)，根

据公式：

计算备选用户好友相

关的因子函数gl(yi,yj,pafl(vj))，根据公式：

计算备选用户所属社团

的因子函数h(yi,gaf(vi,Cm))，其中，xik≠0∩yi＝1表示备选用户vi的第k个属性值xik不为0且备选用户在t+1时间段会参与该话题，yi表示备选用户vi在下一时间段是否会参与该话题的讨论， 是半衰期函数，pafl(vj)表示备选用户vj的第l个属性值，gaf(vi,Cm)表示备选用户所属社团属性，Cm表示第m个社团；根据t时间段提取出来的备选用户Vt，备选用户间的t好友关系集合E ，备选用户自身、好友、所属社团的属性集合X,paf(V),gaf(V)建立在t时间段的输入网络Gt＝(Vt,Et,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，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1所述的预测方法，其特征在于，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带动力，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)代表备选用户vi的活跃指数，κ为用户活跃指数排名阈值。

4.根据权利要求3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)]确定备选用户vi的活跃指数activity(vi)，其中，Ε[origNum(vi)],Ε[retwNum(vi)]分别是备选用户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。

5.根据权利要求2或3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)表示关注用户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)]获得关注用户uk的话题带动力，其中，Ε[readNum(uk)],Ε[retNum(uk)],Ε[comNum(uk)]分别指关注用户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。

6.根据权利要求1至4其中之一所述的预测方法，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。