1.一种基于联合概率矩阵分解的微博关注推荐方法，其特征在于，包括以下步骤：步骤1：读取用户关系信息和用户交互行为信息；

步骤2：由所述用户关系信息构建用户关系矩阵；

步骤3、由所述用户交互行为信息构建长期影响力矩阵，将长期影响力矩阵作为用户影响力矩阵；

步骤4、对用户关系矩阵和用户影响力矩阵进行联合概率矩阵分解，得到用户潜在特征矩阵和影响力潜在特征矩阵，对用户潜在特征矩阵和影响力潜在特征矩阵內积得到用户关系强度矩阵，根据用户关系强度矩阵提取用户关系强度列表，根据用户关系强度列表进行推荐；

所述用户关系矩阵为S(v)＝{(u1,w1),(u2,w2),...,(un,wn)}，其中v,ui,i＝1,2,...,n为用户，n为数据中与用户v相似的用户数目；wi,i＝1,2,...,n为用户ui与v的关系相似度在v所有相似用户中的权重，其中Sim(ui,v)为用户ui与v的双向关系相似度的线性加权相似度，所述双向关系相似度为粉丝关系相似度和关注关系相似度；

所述长期影响力矩阵基于公式 更新，其中Inl表示更新后的长期影

响力矩阵；Iol是更新前的长期影响力矩阵；In是基于最新的交互行为构建的影响力矩阵；N是矩阵中总的交互行为数目，所述Inl,Iol,In基于 构建，TL表示矩阵构建时间点，

t是当前的时间；t0是矩阵建立时的时间，hl0是半衰期的初

始值，dacc表示模型建立后到当前所经历的时间，常量dw表示dacc对遗忘速度的影响程度，Action(u,v,s,i)＝α1Like(u,v,s,i)+α2Retweet(u,v,s,i)+α3Comment(u,v,s,i)，m为用户u所发微博的总数，t是矩阵建立时的时间，s是数据的获取的时间长度，α1,α2,α3为权重系数，Like(u,v,s,i)是用户v对u的第i条微博点赞，Retweet(u,v,s,i)是用户v对u的第i条微博转发，Comment(u,v,s,i)用户v对u的第i条微博评论。

2.根据权利要求1所述的基于联合概率矩阵分解的微博关注推荐方法，其特征在于，所述步骤2中由所述用户关系信息构建用户关系矩阵后，判断用户v是否在线，如果用户在线进入步骤3’，如果用户不在线进入所述步骤3，所述步骤3’为由所述用户交互行为信息构建短期影响力矩阵，将短期影响力矩阵作为用户影响力矩阵，进入步骤4，所述短期影响力矩阵为 Ts表示矩阵构建时间

点，

Action(u,v,s,i)＝α1Like(u,v,s,i)+α2Retweet(u,v,s,i)+α3Comment(u,v,s,i)，m为用户u在时间S内所发微博的总数，t是矩阵建立时的时间，α1,α2,α3为权重系数，Like(u,v,s,i)是用户v对u的第i条微博点赞，Retweet(u,v,s,i)是用户v对u的第i条微博转发，Comment(u,v,s,i)用户v对u的第i条微博评论。

3.根据权利要求2所述的基于联合概率矩阵分解的微博关注推荐方法，其特征在于，所述时间S由以下公式确定MinDays，MaxDays，MinActionNums，MaxActionNums为常量，RAN是近期交互行为数目。

4.根据权利要求1所述的基于联合概率矩阵分解的微博关注推荐方法，其特征在于，所述Sim(u,v)＝λSimI(u,v)+(1-λ)SimO(u,v)，其中SimI(u,v)是用户u与v的粉丝关系相似度；SimO(u,v)是用户u与v的关注关系相似度；NI(u)和NI(v)分别表示用户u与v的粉丝用户的集合；NO(u)和NO(v)分别表示用户u与v的关注用户的集合，λ是粉丝相似度的权值。

5.根据权利要求1所述的基于联合概率矩阵分解的微博关注推荐方法，其特征在于，所述根据用户关系强度列表进行推荐是将用户关系强度列表中用户关系强度数值最大的前N个用户ui推荐给用户v。