1.一种基于A-TrAdaboost算法的多源社区标签发展趋势预测方法，其特征在于，所述方法包括如下步骤：

步骤1：构建问答社区中标签网络，如果同一个问题帖子下边出现多个标签，则认为这些标签具有连边，构建问答社区标签网络，得到源领域和目标领域社区的网络结构集合步骤2：计算各社区中网络结构的向量表征，采用graph2vec的方法，将每个网络Gi∈Ω用一个维度为d的向量来进行表征,最后学习得到每个社区网络图结构的向量表征Vi；

步骤3：计算源领域与目标领域之间的结构相似性，计算源领域网络结构表征向量 和和目标领域VT之间的余弦相似性γt：

步骤4：构建基于A-TrAdaboost算法的多源社区标签流行性预测模型，通过提取源领域DSt和目标领域DT中的样本标签及特征数据，把步骤3中计算的相似性γt作为各源领域迁移到目标领域上的初始权重，通过有权SVM的方法，不断迭代更新不同训练样本中的权重，得出最后的训练模型。

2.如权利要求1所述的一种基于A-TrAdaboost迁移算法的多源社区标签发展趋势预测方法，其特征在于：在所述步骤1中，构建问答社区中标签网络，对源领域问答社区Si中，统计其社区中所有的新标签，按时间排序，取比例为前α＝10％中的新标签中最后一个标签出现的时刻 社区所有标签的网络，作为该社区的网络结构 时刻的社区网络结构初步形成，其结构特征能够代表该领域社区的网络结构，最后得到源领域和目标领域社区的网络结构集合

3.如权利要求1或2所述的一种基于A-TrAdaboost迁移算法的多源社区标签发展趋势预测方法，其特征在于：所述步骤2中，计算社区中网络结构的向量表征，采用graph2vec的方法，将每个网络Gi∈Ω用一个维度为d的向量来进行表征，首先，提取网络Gi的根子图结构，利用Weisfeiler-Lehman核方法对网络Gi中每一个节点依次提取最小子图结构，集合为vi表示网络Gi中的子图的种类，然后利用类比doc2vec的方法中的skip-gram的语言嵌入模型，将子图结构类比于单词，每个图类比一个文档，最后学习得到源领域社区和目标社区网络图结构的向量表征 和VT，t∈{1,2,…,n}。

4.如权利要求1或2所述的一种基于A-TrAdaboost迁移算法的多源社区标签发展趋势预测方法，其特征在于：所述步骤4中，构建基于网络结构相似性的A-Tradaboost算法模型，操作如下，获取源领域和目标领域社区的特征标记样本DS和DT，其中 为目标领域有标记数据集， 为目标领域无标记数据集，选择源领域数据和目标领域有标记样本数据集作为模型的训练集 测试集为 c(x)函数表示样本x的标记函数，c(x)∈{0,1}，将步骤3所计算的余弦相似性γt分别作为源领域 中样本的权重 中样本的初始权重设为1，记为wT，即所有训练样本权重为作为A-TrAdaboost方法的初始权重，在每次迭代过程中，通过有

权SVM训练每次的基分类器ft，然后根据公式计算每次迭代后在目标领域有标记样本DTl上的误差率εt：

其中，βt表示为当前的基分类器的权重，再根据误差率更新训练样本的权重，使得对目标领域有益的样本权重增加，反之权重降低，迭代N次后，对最后得到的N个基分类器{f1,f2,…,fN}进行加权投票得出最后的出最后的预测模型fT，