1.一种评论信息对用户签到影响的度量方法，其特征在于：包括以下步骤：

S1：对用户历史签到数据进行张量分解得到签到意图序列；基于用户的历史签到数据利用张量分解获得数据集中意图的特征，并利用这些特征采用分类算法，根据与用户的签到日期、时间以及位置，对签到位置进行意图分类；利用CORCONDIA算法求得张量分解中秩R的个数；

S2：利用隐马尔科夫模型对用户的下一步意图进行预测；将S1中得到的用户意图序列通过隐马尔科夫模型进行建模，将用户意图作为观察状态，签到位置作为隐藏状态，对用户的下一个签到意图进行预测；

S3：确定当前位置1km为下一步位置预测范围，通过分析数据集中用户签到序列间的距离确定用户签到位置的相差范围，缩小预测的稀疏性；

S4：通过对评论信息的分析获的最优主题参数，LDA模型主题数会影响模型效果，通过对不同主题数的迭代，利用主题一致性取得最优主题数；

S5：对用户所属意图和范围内同意图的位置评论信息分别建模，基于用户和位置的评论信息构建LDA主题模型，通过模型的建立，获取评论数据集的主题分布，主题下的代表词分布；

S6：利用JS距离求主题相似性，并预测top‑k个位置，对步骤S5中的得到的主题词概率分布，对相同主题词间求其JS距离，并获得top‑k个预测位置。