1.一种基于隐链接的用户参与热点话题行为分析方法，其特征在于，数据源获取模块获取数据源，提取好友关系、过往行为、个人属性；从好友关系中获取显示链接F信息，多维云模型根据用户及好友过往行为获得两用户的行为相似度，计算用户对共同关注热点话题标签相似系数，根据行为相似度和标签相似系数计算两用户相似度，根据预定阈值和相似度判断用户与好友是否建立隐链接，获取隐链接H信息，根据个人属性获取个人兴趣I信息，随机性R信息；建立用户参与热点话题行为影响力模型，计算用户参与热点话题受F、H、I、R各因素影响的驱动概率，获取上述因素对用户参与某话题的驱动强度，根据驱动强度动态调整网络资源，所述建立隐链接进一步包括：提取目标用户ui与uj所参与过的标签下的话题进行时间分片，获取第n个时间片内标签L1的话题个数Xn1，获取第n个时间片内标签L2的话题个数Xn2，根据每个标签下的所有时间片计算每个标签数字特征值，根据公式获取标签L1的数字特征值(Ex1、En1、He1)，根据公式

获取标签L2的数字特征值(Ex2、En2、He2)，根据公式：temp1＝NORM(En1,He1)，temp2＝NORM(En2,He2)，获得以En1为期望，以He1为方差生成随机数temp1为用户ui的云滴，以En2为期望，以He2为方差生成随机数temp2为用户uj的云滴，云滴在空间的分布即构成用户ui与uj两云滴间距离d最小时对应的两用户为隐链接关系，其中，N为时间片数。

2.根据权利要求1所述的方法，其特征在于，所述计算两用户相似度具体为：根据公式：计算两用户对共同关注热点话题标签相似系数，根据相似系数及两用

户行为相似度Sc(Ui,Uj)，调用公式：S(Ui,Uj)＝δ*Sc(Ui,Uj)计算两用户相似度，其中，ui(l)∩uj(l)为用户ui、uj共同标签，ui(l)∪uj(l)为用户ui、uj的所有标签。

3.根据权利要求1或2所述的方法，其特征在于，当用户参与热点话题k讨论的驱动力因素为F、I、R时，根据公式：Pk＝PF*f(k/F)+PI*f(k/I)+(1-PF-PR)*f(k/R)计算用户参与热点话题k讨论的概率，其中，f(k/F)表示目标用户基于“显示链接”而参与热点话题讨论的概率，f(k/F)＝TF(k)/NF，NF为该用户的所有显示链接好友所参与过的所有话题量；f(k/I)＝TI(k)/NI，

f(k/I)表示目标用户基于个人兴趣I信息而参与热

点话题讨论的概率，NI为ui所参与的所有话题类型的发帖均量；

f(k/R)＝1/NR，f(k/R)表示目标用户基于随机性R信息而参与热点话题讨论的概率，NR为ui当前可参与的所有帖子数量；根据最大似然估计，当 取最大值时获得的PF、PI、PR即为显示链接F、个人兴趣I、随机性R的驱动强度，其中，Pk为用户参与话题k的概率，K为话题数。

4.根据权利要求3所述的方法，其特征在于，当用户参与热点话题k讨论的驱动力因素为H、I时，根据公式：Pk＝PH*f(k/H)+PI*f(k/I)+(1-PH-PI)*f(k/R)计算用户参与热点话题k讨论的概率，f(k/I)表示目标用户基于个人兴趣I信息而参与热点话题讨论的概率，其中，f(k/H)＝TH(k)/NH，NH为用户ui在驱动为H

时所有参与过的话题数量，根据最大似然估计，当 取最大值时获得的PH、PI即为驱动力为F、I时的驱动强度。

5.根据权利要求4所述的方法，其特征在于，当用户参与热点话题k讨论的驱动力因素为F、H、I、R时，根据公式：Pk＝PF*f(k/F∪H)+PI*f(k/I)+(1-PH-PR)*f(k/R)计算用户参与热点话题k讨论的概率，其中，f(k/F∪H)＝T(k)/NH∪F，f(k/R)＝TR(k)/NR, NR为用户ui在驱动为

R时所参与的所有话题类型的发帖均量，NH∪F表示参与热点话题k讨论用户驱动力为H、F时的好友所有参与讨论的话题量；根据最大似然估计，当 取最大值时获得的PF、PH、PR、PI即为驱动力为F、H、R、I时的驱动强度。