1.一种基于用户行为的社交网络中朋友关系挖掘方法，其特征在于：所述挖掘方法包括以下步骤：

S1：通过用户已有行为的记录数据，分别建立出两类二分图与有向转移网络，即用户—餐馆地区，用户—口味标签；

S2：根据用户—餐馆地区与用户—口味标签的二分图，从网络的节点角度，提取出每对用户节点的相似度特征，节点相似度特征用于表征两个用户之间的行为偏好差异；根据用户—餐馆地区与用户—口味标签的有向转移网络，从网络的连边角度，提取出每对用户的有向连边属性特征，有向连边属性特征用于表征两个用户之间的相互影响；

S3：由原始数据已知用户之间的朋友关系，采用机器学习分类器模型xgboost，将所有样本数据通过10折交叉验证，训练并构建用户关系预测器模型；

S4：取交叉验证的10次验证结果的平均值作为用户关系预测器模型的最终评价成绩；

所述步骤S1中，利用自适应DBSCAN密度聚类算法，各城市的所有餐馆根据地理经纬度信息，分别聚类到各自密度可达的餐馆地区聚类簇，从而归纳出各个餐馆地区特征；

所述步骤S1中，采用二分图方法，构建用户—餐馆地区二分图、以及用户—口味标签二分图，建立用户—餐馆地区二分图的过程如下：定义二分图G(X,E1,Y)，其中X＝[x1,x2,…xm]表示各个用户组成的集合，Y＝[y1,y2,…yn]表示各个餐馆地区聚类簇组成的集合，若用户xi去过餐馆地区聚类簇yj，则用有权连边eij表示该用户去了几次该餐馆地区聚类簇；同理，构建用户—口味标签二分图G(X,E2,T)，其中X＝[x1,x2,…xm]表示各个用户组成的集合，T＝[t1,t2,…tp]表示各个口味标签组成的集合，若用户xi吃过口味tj，则用有权连边e′ij表示该用户吃过几次该口味；

所述步骤S1中，采用有向转移网络方法，构建用户—餐馆地区与用户—口味标签的有向转移网络，建立用户—餐馆地区有向转移网络的过程如下：定义两个用户之间的有向转移网络 其中xi,xj分别表示用户xi,xj，{Yi},{Yj}分别表示用户xi,xj去过的餐馆地区聚类簇集合，根据原始数据已知各用户的用餐餐馆与相应用餐的时间，若用户xi,xj去过相同的餐馆地区聚类簇yi*＝yj*，且用户xi去的时间先于用户xj，则用有向连边 表示用户xi指向用户xj，有向连边 的权重，根据用户xi,xj去该餐馆地区聚类簇yi*＝yj*的最小次数而定，若将各两两用户的有向网络合并可得整个社交社区的用户行为图谱；同理，构建用户—口味标签的有向转移网络 其中xi,xj分别表示用户xi,xj，{Ti},{Tj}分别表示用户xi,xj吃过的口味标签集合，根据原始数据已知各用户的用餐餐馆口味标签与相应用餐的时间，若用户xi,xj吃过相同的口味ti*＝tj*，且用户xi去吃该口味的时间先于用户xj，则用有向连边 表示用户xi指向用户xj，有向连边 的权重，根据用户xi,xj吃过该口味ti*＝tj*的最小次数而定；

所述步骤S2中，根据已建立的两类网络拓扑关系，分别提取关于节点或连边的用户之间社交行为的特征，包括以下步骤：S2-1：根据二分图，求得两两用户之间的行为偏好相似度，在用户—餐馆地区二分图G(X,E1,Y)中，可构建链接矩阵D∈R4×n，dij表示用户xi去餐馆地区聚类簇yj的次数，则用户xi去餐馆地区聚类簇yj的概率为根据不相关熵的定义，餐馆地区聚类簇yj的熵为

Ej值越大，表示餐馆地区聚类簇yj越受用户青睐，

用户xi,xj选择餐馆在地理上的相似度特征cluster_similarij定义为

在用户—口味标签二分图G(X,E2,T)中，构建链接矩阵D′∈R4×p，d′ij表示用户xi吃过口味tj的次数，则用户xi去吃口味tj的概率为根据不相关熵的定义，口味tj的熵为

E′j值越大，表示口味tj越受用户欢迎；

则用户xi,xj选择餐馆在口味上的相似度特征taste_similarij定义为

S2-2：根据有向转移网络，求得两两用户之间的行为影响，在用户—餐馆地区有向转移网络中，用户xj对用户xi关于选择餐馆的影响定义为其中aij表示在历史记录中，用户xj选择餐馆行为对用户xi行为的影响，

βj表示用户xj去历史记录之外的同一座城市餐馆的概率，Ni表示用户xi行为记录最多城市Ci的餐馆总数，Ii是网络中用户xi的入度邻居，即选择就餐地理位置时，影响用户xi的用户集；Oj是网络中用户xj的出度邻居，即选择就餐地理位置时，用户xj的影响用户集；

在用户—口味标签有向转移网络中，用户xj对用户xi关于选择就餐口味的影响定义为其中a′ij表示在历史记录中，用户xj选择就餐口味对用户xi的影响，β′j表示用户xj打算去吃历史记录之外的其他就餐口味的概率，p表示原始数据中所有口味标签的总数，I′i是网络中用户xi的入度邻居，即选择就餐口味时，影响用户xi的用户集，O′j是网络中用户xj的出度邻居，即选择就餐口味时，用户xj影响的用户集。