1.一种基于社交网络用户属性的主题推荐方法，其特征在于，该方法包括以下步骤：步骤(1).获取用户的微博内容，对微博进行预处理；

步骤(2).过滤用户，剔除不活跃的用户和僵尸用户，标注数据集；

步骤(3).采用LDA模型求出用户微博的主题概率分布，得到最初的主题分布；

步骤(4).利用已标记的微博训练集求得不同性别在不同主题下的变异因子，与主题分布结合得到主题因子；

步骤(5).计算用户与友邻关系的亲密度，评价友邻用户的影响力，得到置信度；

步骤(6).利用分词软件提取个人描述和标签的关键词，转换成向量矩阵，求得相似性因子；

步骤(7).将上述三个因子融合得到用户主题模型。

2.如权利要求1所述的一种基于社交网络用户属性的主题推荐方法，其特征在于，步骤(1)具体是：

(1.1)利用爬虫工具爬取微博数据T、用户属性U和用户友邻关系R到关系型数据库中；

(1.2)对微博数据T进行预处理，使用正则表达式过滤特殊的字符和字段，将英文统一为小写；

(1.3)定义字典DictUser，用户User的Id为键，预处理完成的微博数据W为键对应的值；

(1.4)将字典DictUser转换成缓存。

3.如权利要求2所述的一种基于社交网络用户属性的主题推荐方法，其特征在于，步骤(2)具体是：

(2.1)过滤用户标签或个人描述为空的用户；

(2.2)过滤不符合规则的用户性别；

(2.3)过滤不活跃用户或一段时间未上线用户；活跃度 NT表示用户最近一年内发布、转发和评论微博总数；NMonth表示一年中活跃的月份数，是指用户在一年中最早发微博和最晚发微博的时间间隔；如果Active小于阈值σA，属于不活跃用户，活跃度的阈值σA＝15～30；如果超过一年未发布、转发和评论微博，则属于未上线用户；

(2.4)过滤粉丝数小于粉丝阈值σF的用户，设定σF＝30～100；

(2.5)采用人工标注的方法生成标记数据集Utopic＝{User,Topic}，User表示用户，Topic表示标注的主题信息。

4.如权利要求3所述的一种基于社交网络用户属性的主题推荐方法，其特征在于，步骤(3)具体是：

(3.1)使用现有的LDA模型进行主题预测；

(3.2)设定LDA模型的参数，对步骤(1)中得到的字典DictUser进行遍历，利用DictUser中用户User对应的微博数据W对LDA模型建模；

(3.3)训练LDA模型，得到用户User对应的主题分布PT＝(pt1,pt2,…,ptN)及其概率值其中N是预测的主题个数，在LDA模型参数中设置；

(3.4)筛选主题，将PT中的概率值ProbPT小于概率阈值σP的主题剔除，得到最终的初始主题分布的概率值 σP＝0.01～0.02；

按概率从大到小排序：

其中， 表示第m个主题， 表示第m个主题对应的概率值，m＝1,2,…,M，M为筛选后主题个数；

(3.5)判断字典中的用户User是否都处理完毕：如果处理完毕，则停止遍历；否则，重复执行步骤(3.2)～(3.4)，得到Dicttopic＝{User,PrT}；其中，User＝(user1,user2,…,userK)，PrT＝(prt1,prt2,…,prtK)，userk表示第k个用户，prtk表示第k个用户的初始主题分布，k＝1,2,…,K，K是用户的个数。

5.如权利要求4所述的一种基于社交网络用户属性的主题推荐方法，其特征在于，步骤(4)具体是：

(4.1)选取多个已标记主题信息的男性和女性用户集合，建立用户列表User_Var＝(vuser1,user2,…,vuserJ)，其中，vuserj第j个用户，j＝1,2,…,J，J为选取的用户个数；

(4.2)遍历用户列表User_Var，计算影响力Inf：第j个用户影响力表示粉丝数， 表示关注数；

(4.3)判断用户列表是否都处理完毕：如果处理完毕，则停止遍历；否则，重复执行步骤(4.2)，得到DictInf＝{User_Var,Inf}，其中键是选取的标记用户，值是求得的影响力；

(4.4)遍历主题列表Topics，Topics＝(topic1,topic2,…,topicL)，其中topicl表示第l个主题，l＝1,2,…,L，L为已标记的所有主题个数；

计算某一个主题信息下的男性用户和女性用户的平均值meantopic；

(4.5)计算某一个主题信息下的男性用户和女性用户的标准差值standardtopic；

(4 .6)利用变异系数公式计算某个主题下的男性和女性的变异系数(4.7)判断主题列表中的主题是否处理完毕：如果处理完毕，则停止遍历；否则，重复执行步骤(4.4)～(4.6)，得到变异系数集合V(Gender)＝[v1,v2,…,vL]；

(4.8)利用正则化公式，更新变异系数集合V(Gender)，将值的范围控制在(0,1)内：(4.9)遍历字典Dicttopic，判断每个用户的性别对应的主题变异系数，如果vl大于0.15，则将两个值相加，更新到对应的 值；

(4.10)判断字典是否处理完毕：如果处理完毕，则停止遍历；否则，重复执行步骤(4.9)，得到最终更新完毕的Dicttopic＝{User,PrT}。

6.如权利要求5所述的一种基于社交网络用户属性的主题推荐方法，其特征在于，步骤(5)具体是：

(5.1)遍历待提取主题的用户列表Users，计算用户影响力，过滤低于阈值σU的用户，σU＝0.4～0.5，得到后续迭代更新所需要的初始种子用户集合SeedU＝(seedu1,seedu2,…,seeduP)和对应的影响力值 seedup表示第p个种子用户，p＝1,2,…,P，P为种子用户的个数；

(5.2)遍历种子用户集合SeedU，选取对应的粉丝列表表示第q个粉丝，q＝1,2,…,Q，Q为粉丝个数；

(5.3)遍历粉丝列表，处理粉丝的微博T，统计@种子用户的次数(5.4)统计粉丝转发种子用户微博的次数(5.5)统计粉丝评论种子用户微博的次数(5.6)将三个变量结合，得到粉丝亲密度(5 .7)将亲密度和影响力相加得到每个粉丝对应的种子用户得分(5.8)判断种子列表的用户是否都处理完毕：如果处理完毕，则停止遍历；否则，重复执行步骤(5.2)～(5.7)，得到用户得分集合为第q粉丝得分，q＝1,2,…,Q；

(5.9)遍历用户列表Users，如果是非种子用户，对关注列表做以下操作；

(5.10)遍历关注列表，如果关注用户followu的邻居neighb与其有相同的主题信息，则累加邻居用户得分；

(5.11)根据步骤(5.3)～(5.6)计算他们之间的亲密度和影响力，得到该关注用户的最终用户得分：

(5.12)将scoreufollwu取对数得到置信度(5.13)判断关注列表的用户是否处理完毕：如果处理完毕，则停止遍历；否则，重复执行步骤(5.10)～(5.12)，得到某个用户的置信度集合 其中 表示第s个关注用户的置信度，s＝1,2,…,S，S为关注用户个数；

(5.14)判断用户列表的用户是否处理完毕：如果处理完毕，则停止遍历；否则，重复执行步骤(5.9)～(5.13)，得到所有用户的置信度集合γ＝(γ1,γ2,…,γK)；γk表示第k个用户的置信度，k＝1,2,…,K；

(5.15)迭代更新种子用户，在原来的用户得分上加入关注者的用户得分。

7.如权利要求6所述的一种基于社交网络用户属性的主题推荐方法，其特征在于，步骤(6)具体是：

(6.1)遍历用户列表Users，对个人描述和标签做预处理，采用步骤(1.2)的方法过滤特殊字符、字段，利用jieba分词工具分词，进行词性筛选，选取某一类词作为关键词列表KW＝(kw1,kw2,…,kwG)，其中kwg表示第g个词，g＝1,2,…,G，G为关键词的个数；

(6.2)利用Word2Vec对关键词进行向量化，使用Tencent_AILab_ChineseEmbedd‑ing作为语料库，得到关键词向量矩阵KM＝(km1,km2,…,kmR)，其中kmr表示第r个向量,r＝1,

2,…,R,R为矩阵的向量个数；

(6.3)对主题列表的主题进行向量化，得到主题向量化矩阵TM＝(tm1,tm2,…,tmR)；

(6.4)使用欧氏距离计算每个关键词与主题的相似性，得到关键词‑主题映射θg:kwg→topicg，欧氏距离

(6.5)利用公式计算相似因子α，得到相似度因子分布(6.6)判断用户列表中的用户是否处理完毕：如果处理完毕，则停止遍历；否则，重复执行步骤(6.1)～(6.5)，得到用户的相似度因子集合α＝{α1,α2,…,αk}。

8.如权利要求7所述的一种基于社交网络用户属性的主题推荐方法，其特征在于，步骤(7)具体是：

(7.1)遍历用户列表Users，将步骤(6.6)得到的相似度因子与步骤(4.9)的主题概率分布 结合，对于每一个主题值 如果通过步骤(6.4)的映射θg得到的主题topicg与某一个初始主题相同，则进行如下操作： 其中，num表示在某一个主题下相同的个数；

(7.2)遍历用户userk的主题列表，对每个主题做步骤(7.1)的操作，判断是否处理完毕：如果处理完毕，则停止遍历；否则，继续执行，得到更新后的主题值：(7.3)如果关注者与用户处于相同的主题，则进行如下操作：userk和users在相同整体下，则func(userk,users)＝1,否则func(userk,users)＝0；

(7.4)遍历用户userk的主题列表，对每个主题做步骤(7.3)的操作，判断是否处理完毕：如果处理完毕，则停止遍历；否则，继续执行，得到更新后的主题值：(7.5)将intvalk中的值进行与步骤(4.8)相同的正则化处理，使之控制在(0,1)范围内，并进行排序 ，筛选掉值小于σP的主题 ，得 到userk 最终的主题分 布：(7.6)判断用户列表的用户是否处理完毕，如果是，则停止遍历；否则，重复执行步骤(7.1)～(7.5)，得到主题分布集合Inte＝(inte1,inte2,…,inteK)。