1.一种热点话题下动态预测用户行为的系统，其特征在于，包括数据获取模块，属性提取模块，模型构建模块和模型预测分析模块；其中数据获取模块，用于获取用户行为数据和用户关系数据；属性提取模块，用于提取社交网络中的用户参与话题的时间延迟属性并分为热点用户和备选用户；模型构建模块，根据备选用户的信息采用张量分解方法，构建用户参与热点话题预测模型；模型预测分析模块，利用张量进行分解得到模式展开矩阵的特征矩阵和核心张量，根据得到的特征矩阵和核心张量计算近似张量，并根据得到的近似张量预测备选用户的行为，在话题发展的不同阶段，根据新加入的备选用户行为数据构成的新张量和当前得到的特征矩阵和核心张量动态更新得到新的特征矩阵和核心张量，然后再根据新的特征矩阵和核心张量预测下一阶段的用户行为，同时，根据每一阶段预测的用户行为，可以把握话题发展的趋势；

所述备选用户自身属性为：备选用户是否是活跃用户，当备选用户过去一个月的动态达到某个阈值时就变为了活跃用户，并根据备选用户的属性构建话题当前阶段的张量，并得到张量模式展开成矩阵A(n)，n＝1,2,3，然后对张量模式展开成矩阵进行分解得到特征矩阵和核心张量S；所述张量模式展开成矩阵的分解采用的是Kernel SVD分解，Kernel SVD分解是将张量的模式展开矩阵A(n)利用映射函数将A(n)的内容映射到高维空间，即对于每一个A(n)可以找到一个对应的映射矩阵Gn，把A(n)中的每个元素axy映射成为Gn中的gxy，即gxy＝Φ(axy)，SVD分解计算A(n)(n＝1,2,3)的左奇异矩阵U(n)是通过计算 的特征向量所得，而Kernel SVD利用核函数代替了 的内积计算，得到A(n)(n＝1,2,3)的特征矩阵，并且根据特征矩阵的值计算核心张量。

2.根据权利要求1所述的热点话题下动态预测用户行为的系统，其特征在于，所述模型预测分析模块根据新加入的备选用户行为数据构成的新张量和当前得到的特征矩阵和核心张量动态更新得到新的特征矩阵和核心张量，包括：原始张量记为A，新增加的用户或新增加的话题构成的张量记为F，根据公式 Vt表示t阶段得到的右奇异矩阵，通过对张量F进行第一模式展开得到的展开矩阵F(1)可以计算得到矩阵B，对矩阵B进行Kernel SVD分解计算，得到矩阵B的三个特征矩阵UB，VB和∑B，并根据公式： 和得到新的特征矩阵 和 式中If的大小为I′1×I′1的单位阵，I′1表

示新增加的用户。

3.根据权利要求2所述的热点话题下动态预测用户行为的系统，其特征在于，所述模型预测分析模块当对在某个话题下对用户行为进行预测的时候，根据更新后的特征因子和 以及核心张量S，得到A*的近似张量 假设构建张量时第一模式表示用户u，第二模式表示话题s，第三模式表示用户行为a，因此对用户u在话题s下行为a的预测满足 Pusa表示用户u在话题s下进行动作a的预测值，当 大于某个阈值θ时，Pusa＝1，则认为用户转发或评论了此话题的微博；反之，Pusa＝0，则认为用户没有参与此话题，同时，可以根据预测的用户行为把握话题的发展趋势。

4.一种热点话题下动态预测用户行为的方法，其特征在于，包括以下步骤：获取社交网络中热点话题的互动数据以及用户的过往行为；根据用户的属性将用户定义为热点用户及其粉丝——备选用户；构建参与热点话题的用户行为预测模型即张量分解模型对用户行为进行预测；根据t阶段的已参与的用户预测t+1阶段备选用户的行为，结合话题的时效性特征，采用增量张量分解模型预测用户行为，根据预测的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；

所述备选用户自身属性为：备选用户是否是活跃用户，当备选用户过去一个月的动态达到某个阈值时就变为了活跃用户，并根据备选用户的属性构建话题当前阶段的张量，并得到张量模式展开成矩阵A(n)，n＝1,2,3，然后对张量模式展开成矩阵进行分解得到特征矩阵和核心张量S；所述张量模式展开成矩阵的分解采用的是Kernel SVD分解，Kernel SVD分解是将张量的模式展开矩阵A(n)利用映射函数将A(n)的内容映射到高维空间，即 对于每一个A(n)可以找到一个对应的映射矩阵Gn，把A(n)中的每个元素axy映射成为Gn中的gxy，即gxy＝Φ(axy)，SVD分解计算A(n)(n＝1,2,3)的左奇异矩阵U(n)是通过计算 的特征向量所得，而Kernel SVD利用核函数代替了 的内积计算，得到A(n)(n＝1,2,3)的特征矩阵，并且根据特征矩阵的值计算核心张量。

5.根据权利要求4所述热点话题下动态预测用户行为的方法，其特征在于，所述社交网络中热点话题的互动数据以及用户的过往行为的获取是利用网络爬虫或通过各社交网站开放API平台获取数据，数据内容是社交网络中热点话题的互动数据，包括用户行为数据和用户关系数据。

6.根据权利要求5所述热点话题下动态预测用户行为的方法，其特征在于，根据用户的属性将用户定义为备选用户包括：

对数据进行切片以找出话题不同阶段的热点用户的粉丝——备选用户；

根据备选用户的信息构建张量A，张量A的数学表达式为 表示三阶张

量，其中，张量的第一阶表示用户，即包括I1个用户；张量的第二阶表示话题，即包括I2个话题；张量的第三阶表示用户行为，即包括I3种行为， 体现了用户交互的信息，包括用户信息，话题信息和用户的行为。