1.基于多模态流形学习和社交网络特征的推特摘要生成方法，其特征在于，包括以下步骤：

步骤一，获取用户的特定话题推文集，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；

步骤三，结合步骤二中的矩阵计算推文显著度；

步骤四，结合用户互动信息计算社会认同度；

步骤五，将推文显著度与社会认同度信息进行整合即可得到最终的推文显著度，考虑到冗余性，选择MMR策略下的推文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推特摘要生成方法，其特征在于：步骤一所述获取用户的特定话题推文集的步骤包括，统计所有获取的推文文本中的名词词频，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推特摘要生成方法，其特征在于：还包括对特定话题推文集进行清洗的步骤，具体为去除Hashtag、@、URL、推文末尾的数字，将推文中单词数量少于m的推文去除。

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推特摘要生成方法，其特征在于：所述用户互动信息包括用户推文的点赞、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推特摘要生成方法，其特征在于：步骤二所述同文档内的的关系矩阵 若推文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表示单条推文的TF‑IDF编码；

所述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。

6.根据权利要求5所述基于多模态流形学习和社交网络特征的推特摘要生成方法，其特征在于：步骤三所述推文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。

7.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推特摘要生成方法，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条推特的点赞数，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。

8.根据权利要求1‑7任一项所述基于多模态流形学习和社交网络特征的推特摘要生成方法，其特征在于：所述最终的推文显著度为*

RankScore＝ω·f+(1‑ω)·Rω是可调整的超参数，其中0<ω<1，R表示最终的推文显著度。

9.根据权利要求8所述基于多模态流形学习和社交网络特征的推特摘要生成方法，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表示存放摘要推文的集合，B表示按推文显著性分数排序后的候选推文的集合，xi表示第i条推文，n表示总共的推文数量，其中每条推文的显著性分数按Si＝RankScore(i)计算；

2)将B集合中的推文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集合中的推文；

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集合推文数量达到预期摘要长度。