1.一种基于邻居信息和属性网络表征学习的微博用户社团发现方法，其特征在于：所述方法包括如下步骤：步骤一：微博网络表示为一个属性网络G＝(V，E，F)，其中V＝{v1，v2，...，vn}为节点集合，每个节点表示一个用户，节点数即用户总数n＝|V|，E为边集合，所有微博用户的连边关系构成一个邻接矩阵A，每个用户的属性F’＝{f1，f2，...，fm}，微博用户属性数量m＝|F’|，所有微博用户的属性表示为一个n行m列的属性信息矩阵F；

步骤二：根据微博用户的连边关系矩阵A，计算节点相似度SAij

其中，cij为用户i与用户j的共同邻居数，wij为邻接矩阵A中用户i与用户j相连的边权，即在用户i与用户j有关注的情况下，节点相似度SAij为两用户的共同邻居数比上节点总数，在两用户没有关注的情况下，SAij为0；

步骤三：对属性信息矩阵F，采用余弦相似度度量标准计算属性接近度矩阵SF；

步骤四：对网络拓扑和属性信息联合建模，设置嵌入向量H的维度d，采用分布式算法进行求解，最小化目标函数J，得到每个用户的嵌入向量H，其中，等号右边第1项为属性信息的损失函数，等号右边第2项为网络拓扑损失函数，λ为一个标量，是拓扑信息与属性信息所占比例的权衡，当λ＝0时，表示嵌入模型只考虑了属性信息，hi、hj分别代表用户i和用户j的向量表征；

步骤五：对每个用户的嵌入向量H进行k‑means聚类，得到用户的类别标签，实现社团发现。