1.基于融合情感倾向主题的社交网络用户影响力预测方法，其特征在于，该方法具体是：步骤A.提取用户u在博文的情感倾向，建立对应用户在情感倾向主题z下的博文信息列表Lz(u)；具体方法是：根据博文内容，用情感分析工具将其情感倾向识别为正向或负向，并用LDA方法提取主题信息，将情感倾向和主题信息组合成情感倾向主题，并将博文信息按照情感倾向主题，建立对应的列表；所述的博文信息包括博文内容、点赞、转发、评论；

设用户集合U＝{u1,u2,u3,…,uM}，情感倾向集合为S，主题集合为T；M为用户数量，um表示第m个用户，m＝1,2,…,M；定义用户u∈U的情感倾向s∈S，主题t∈T，两者组合为情感倾向主题z＝(s,t)；

设情感倾向主题集合Z＝{z1,z2,z3,…,zN}，N为情感倾向主题数量，zn表示第n个情感倾向主题，n＝1,2,…,N；

用户u在情感倾向主题为z下的博文信息列表Lz(u)＝{W1,W2,W3,…,WR}，R表示用户u在情感倾向主题为z的博文数量，Wr表示列表中的第r条博文相关信息，包括对应的博文内容、点赞、评论、转发，r＝1,2,…,R；

步骤B.根据行为用户属性和行为特征计算影响力，建立用户‑情感倾向主题影响力矩阵；具体方法是：B1.根据用户u在情感倾向主题z下的博文信息列表Lz(u)，统计其中三种行为用户列表，分别为点赞用户列表LLz(u)、转发用户列表FLz(u)和评论用户列表CLz(u)；

B2.根据三种行为用户列表中行为用户的粉丝数量、关注数量、原创博文数量和用户等级，计算出行为用户的属性强度；

行为用户v的属性强度 v∈

U；其中n1(v)，n2(v)，n3(v)分别表示行为用户v的粉丝数量、关注数量和原创微博数量，l(v)表示行为用户v的等级，γ为对应的权重, γ1表示粉丝数量权重、γ2表示关注数量权重、γ3表示原创微博数量权重、γ4表示行为用户等级权重，其中粉丝数量的重最大，关注数量权重最小；

B3.根据行为用户的属性强度，计算用户u在情感倾向主题z下的影响力fz(u)：其中，w1，w2，w3分别表示点赞用户、

转发用户、评论用户对用户u的影响权重， 其中转发用户和评论用户的影响权重大于点赞用户的影响权重；

B4.定义用户u的已观察到的情感倾向主题列表UserST(u)，将主题z添加到UserST(u)中，并定义已观察到的情感倾向主题z所对应的用户列表StUser(z)，将用户u添加到列表StUser(z)中；建立用户和情感倾向主题之间映射关系；

B5.根据用户在情感倾向主题下的影响力，建立M×N的用户‑情感倾向主题影响力矩阵FMN；影响力矩阵FMN的行向量 列向量表示第m个用户在第n个情感倾向主题下的影响力；

步骤C.获取情感倾向主题z的相似情感倾向主题列表SimST(z)、用户u的邻居相似用户列表SimNB(u)、用户u的相似用户列表SimU(u)；

步骤D.建立预测模型，对用户在未观察到的情感倾向主题进行影响力预测；具体方法是：定义用户u在未观察到的情感倾向主题为z的影响力为 其预测模型为：是基于用户‑情感倾向主题影响力矩阵FMN分解的结果，pu表示用户相关向量，qz表示情感倾向主题相关向量，pu和qz的维度与情感倾向主题数量N一致，T表示转置；

Auz表示情感倾向主题z的相似情感倾向主题列表SimST(z)对用户u的影响力计算的作用强度， 其中， 表示用户u在相似情感倾向主题 下的影响力 对结果的作用权重，SimST(z)∩UserST(u)表示在用户u的已观察到的情感倾向主题列表中，与情感倾向主题z相似的情感倾向主题集合；

Buz表示用户u的邻居相似用户列表SimNB(u)对用户u的影响力计算的作用强度，其中， 表示邻居相似用户 在情感倾向主题z下的影响力 对结果的作用权重，SimNB(u)∩StUser(z)表示用户u的邻居相似用户集合的子集，该子集用户的历史博文信息中包含情感倾向主题z；

Cuz表示用户u的相似用户列表SimU(u)对用户u的影响力计算的作用强度，其中， 表示相似用户 在情感倾向主题z下的影响力

对结果的作用权重，SimU(u)∩StUser(z)表示用户u的相似用户集合的子集，该子集用户的历史博文信息中包含情感倾向主题z。

2.如权利要求1所述的基于融合情感倾向主题的社交网络用户影响力预测方法，其特征在于，步骤C中获取情感倾向主题z的相似情感倾向主题列表SimST(z)具体方法是：C11.计算情感倾向主题z中所对应的主题t的词向量；

C12.遍历主题集合，对所遍历的主题 计算词向量,其中 未被标记；

C13.计算主题 的词向量与主题t的词向量的相似度，并标记主题C14.根据给定阈值，判断两个词向量是否相似：如果不相似，则返回C12，遍历下一个主题；如果相似，进入C15；

C15.根据情感倾向主题z所对应的情感倾向s，与所遍历的主题 组合成相似情感倾向主题 并添加至相似情感倾向主题列表SimST(z)，并将z添加至相似情感倾向主题列表返回C12，遍历下一个主题，直到全部被标记。

3.如权利要求1所述的基于融合情感倾向主题的社交网络用户影响力预测方法，其特征在于，步骤C中获取用户u的邻居相似用户列表SimNB(u)的具体方法是：C21.获取用户u的所有邻居节点，包括关注用户，粉丝用户；

C22.遍历用户集合U，对所遍历的用户 其中 没有被标记，获取用户 的所有邻居节点；

C23.计算用户u和用户 的邻居相似度，并标记

C24.根据给定阈值，判断两个用户的邻居是否相似：如果不相似，返回C22，遍历下一个用户；如果相似，将用户 添加至相似邻居用户列表SimNB(u)，并将用户u添加至相似邻居用户列表 返回C22，遍历下一个用户，直到全部被遍历。

4.如权利要求1所述的基于融合情感倾向主题的社交网络用户影响力预测方法，其特征在于，步骤C中获取用户u的相似用户列表SimU(u)的具体方法是：C31.根据影响力矩阵FMN，获取用户u的情感倾向主题影响力向量；

C32.遍历用户集合，对所遍历的用户 其中 没有被标记，获取用户 的情感倾向主题影响力向量；

C33.计算用户 和用户u的情感倾向主题影响力向量之间的相似度，并标记C34.根据给定阈值，判断两个用户的情感倾向主题影响力向量是否相似：如果不相似，返回C32，遍历下一个用户；如果相似，将用户 添加至相似用户列表SimU(u)，并将用户u添加至相似用户列表SimU(u)，返回C32，遍历下一个用户，直到全部被标记。