1.基于多模态流形学习和社交网络特征的微博摘要生成方法，其特征在于，包括以下步骤：步骤一，获取用户的特定话题微博集，以及用户互动信息；

步骤二，构建单文档内的文本关系矩阵和跨文档间的文本关系矩阵；

同文档内的关系矩阵 若微博i，j属于同一主题，则 为xi和xj的余玹相似度，否则令 为0，xi表示单条微博的TF‑IDF编码；

跨文档间的文本关系矩阵 如果i，j属于不同文档或i，j中有一个为0，则为xi和xj的余玹相似度，否则 为0；

步骤三，结合步骤二中的矩阵计算微博显著度，通过以下公式计算：T T

Qa(f)＝μ·(1‑Sa)f+(1‑μ)·(f‑y) (f‑y)T T

Qb(f)＝η·f(1‑Sb)f+(1‑η)·(f‑y) (f‑y)Qa(f)、Qb(f)为Loss函数，f为一个向量代表每个句子的显著度分数，当Qa(f)中f达到最小时即 时，表示f很好的考虑了同文档句子关系，当Qb(f)中f达到最小时即T时，表示f很好的考虑了不同文档句子关系，y＝[y0,y1,y2,...,yn] ，y表示给定一组数据点，第一个点代表主题描述句子点其余的n点代表文档中的所有句子，μ，η分别代表考虑主题信息和文本信息的信息平滑度约束，λ表示考虑同文档和不同文档两个模态间的信息平滑度约束；

步骤四，结合用户互动信息计算社会认同度；

步骤五，将微博显著度与社会认同度信息进行整合即可得到最终的微博显著度，考虑到冗余性，选择MMR策略下的微博显著性最高的若干句子成为摘要。

2.根据权利要求1所述基于多模态流形学习和社交网络特征的微博摘要生成方法，其特征在于：步骤一所述获取用户的特定话题微博集的步骤包括，统计所有获取的微博文本中的名词词频，筛选出前n个话题型名词，作为热点话题词，然后通过先验主题词进行用户的筛选，若用户发表的言论涉及所述n个话题且超过k条，则将此类言论保留，之后将这个用户在每个类上的言论整合为一个样本。

3.根据权利要求2所述基于多模态流形学习和社交网络特征的微博摘要生成方法，其特征在于：还包括对特定话题微博集进行清洗的步骤，具体为去除Hashtag、@、URL、微博末尾的数字，将微博中单词数量少于m的微博去除。

4.根据权利要求1所述基于多模态流形学习和社交网络特征的微博摘要生成方法，其特征在于：所述用户互动信息包括用户微博的点赞、转发和评论数量，通过正则表达式提取，如果提取不到则置为0。

5.根据权利要求1所述基于多模态流形学习和社交网络特征的微博摘要生成方法，其特征在于：步骤四所述社会认同度的计算公式为Ri＝α·ci+β·rei+γ·li

其中，ci、rei、li分别为对第i条微博的点赞数，转发数，评论数的离差标准化处理后的值，α，β，γ是超参数且满足α+β+γ＝1。

6.根据权利要求1‑5任一项所述基于多模态流形学习和社交网络特征的微博摘要生成方法，其特征在于：所述最终的微博显著度为*

RankScore＝ω·f+(1‑ω)·R

ω是可调整的超参数，其中0<ω<1，R表示最终的微博显著度。

7.根据权利要求6所述基于多模态流形学习和社交网络特征的微博摘要生成方法，其特征在于：还包括去冗余步骤，具体如下：

1)初始化集合A和集合B， B＝{xi|i＝1,2,...n}，A表示存放摘要微博的集合，B表示按微博显著性分数排序后的候选微博的集合，xi表示第i条微博，n表示总共的微博数量，其中每条微博的显著性分数按Si＝RankScore(i)计算；

2)将B集合中的微博按显著性分数进行排序；

3)从集合B中取出第一个元素xi，若xi满足：

s表示A集合中的微博；

则将xi从B集合移动到A集合，其中ε为超参数，代表相似度的阈值，否则删除；

4)重复步骤3)直到 或者A集合微博数量达到预期摘要长度。