1.一种基于有向图改进版PageRank以及综合评定微博影响力的用户推荐方法，包括如下步骤：(1)Python爬虫爬取新浪微博数据集；(2)通过数据集在关注关系与交互关系的基础上建立有向图模型；(3)加入综合指标评定矩阵，得到加权概率转移矩阵；(4)马尔科夫迭代收敛得到最终PR值并进行Top-N推荐。

2.如权利要求1所述的基于有向图改进版PageRank以及综合评定微博影响力的用户推荐方法，其特征在于：所述步骤(1)具体如下：Python爬虫爬取新浪微博上2000个左右用户及其衍生的几十万粉丝以及关注用户数据集，爬取四张数据表：①User_info表、②Follows表、③Followers、④Retweets。

3.如权利要求2所述的基于有向图改进版PageRank以及综合评定微博影响力的用户推荐方法，其特征在于：所述步骤(2)具体如下：设用户i关注人数为Fi，设转发微博条数为Ti,则通过皮尔逊相关系数来计算关注与转发之间的相关性RFT：设关注权值为WF,则转发权值WT＝WF×RFT；

研究用户i影响力时,设用户m全部转发的微博数为Tm,转发用户i的微博数为Tmi,则依次根据皮尔逊算出所有其他用户与用户i的微博转发相关性Rmit；

则用户m转发用户i的微博时的权值为Wmit＝Rmit×WT,即用户i对用户m的影响力即两者之和Influenceim＝Wmit+WF,而用户i的总影响力就为与其有关的用户m1、用户m2…用户mn之和，即其他用户依次类推；

将Influenceim类比到不同的两个用户之间，列出转移矩阵，每行表示一个用户，一行里的每个数值表示这个人对所有人的影响权值；每列也表示一个用户，一列里每个数值表示这个用户被别人影响的权值,得到初步的转移矩阵mij。

4.如权利要求3所述的基于有向图改进版PageRank以及综合评定微博影响力的用户推荐方法，其特征在于：步骤(3)具体如下：加入综合指标评定矩阵，得到加权概率转移矩阵；

用户i的综合评定影响力指标如下：

W(i)＝Quality(i)×α+Outdegree(i)×β+Confidence(i)×γ+Active(i)×δ，α+β+γ+δ＝1，α、β、γ、δ为权值；

Quality(i)表示用户博文质量，公式如下：Quality(i)＝Retweets(i)×α′+Comments(i)×β′+Likes(i)×γ′α′+β′+γ′＝1，α′、β′、γ′为权值；

Outdegree(i)表示出度，即粉丝数；

Confidence(i)表示置信度；

Active(i)表示活跃度，即

ni表示用户i发表的博文数，N表示全部博文数。

Mij＝Wi*mij

其中mij是初始加权概率转移矩阵，得到最终的加权概率转移矩阵Mij。

5.如权利要求4所述的基于有向图改进版PageRank以及综合评定微博影响力的用户推荐方法，其特征在于：步骤(4)具体如下：取一个合适的rank向量v，是一个n*1的矩阵，n即为节点数，每一行数值为 即v′＝v×mij；

通过PR公式进行马尔科夫迭代，

其中，用户uj推荐给用户u的pagerank值；

得到最终用户的PR值，并取Top-10用户作为本发明挖掘到的最具影响力用户。