1.一种用于符号社交网络的符号预测方法，其特征在于，所述符号预测方法包括：定义邻接矩阵表示社交网络，构建所述社交网络的网络模型并初始化，具体包括：定义一个邻接矩阵A表示社交网络，所述邻接矩阵A中的元素aij表示所述社交网络中节点i和节点j的链接，其中i与j分别表示节点i和节点j；构建所述社交网络的网络模型NM并初始化，所述网络模型NM＝(n，K，Z，π，Ω)，其中，n，K，Z，π，Ω都为所述网络模型NM中的模型参数，n表示所述网络模型中节点的数量，K表示所述网络模型中的块数，用于表示社交网络中所包含的社区数，Z为n×K维向量，用于指示每个节点所属的块，π是K×K×3维向量，用于表示所述网络模型中块间连接的概率，Ω是K维向量，用于表示节点属于所述网络模型中的块的概率；aij＝1表示节点i与节点j之间存在一条正链接，aij＝-1表示节点i与节点j之间存在一条负链接，aij＝0表示节点i与节点j之间无链接；正链接表示友好、喜欢以及信任关系，负链接表示敌对、不喜欢以及不信任关系；

将所述网络模型与所述邻接矩阵拟合，计算所述网络模型的模型参数的后验近似分布；

基于模型选择标准和所述模型参数的后验近似分布选取最优模型；

基于所述最优模型按照预定义算法进行符号预测；

所述将所述网络模型与所述邻接矩阵拟合，计算所述网络模型的模型参数的后验近似分布，具体包括：

将所述网络模型NM与所述邻接矩阵A拟合，每个K值对应一个网络模型NM，估计所述网络模型NM中的模型参数π、Ω及Z的后验近似分布；

所述基于模型选择标准和所述模型参数的后验近似分布选取最优模型，具体包括：基于变分贝叶斯方法结合所述网络模型NM获得模型选择标准H；

基于所述模型选择标准H和所述模型参数π、Ω及Z的后验近似分布，计算每个K值对应的网络模型NM的证据值HK；

选择最大的证据值HK所对应的网络模型NM作为最优模型所述基于所述最优模型按照预定义算法进行符号预测，具体包括：基于所述最优模型NMoptim中参数π的后验近似分布，按照预定义算法进行符号预测；

其中，所述预定义算法如下：

节点i和节点j间的链接符号根据以下公式确定：其中，l和q分别表示块l与块q，其中，节点i属于块l，节点j属于块q， 表示块l中节点i与块q中节点j之间存在一条正链接的概率， 表示块l中节点i与块q中节点j之间存在一条负链接的概率。

2.一种用于符号社交网络的符号预测装置，其特征在于，所述符号预测装置包括：构建单元，用于定义邻接矩阵表示社交网络，构建所述社交网络的网络模型并初始化；

所述构建单元具体包括：定义模块，用于定义一个邻接矩阵A表示社交网络，所述邻接矩阵A中的元素aij表示所述社交网络中节点i和节点j的链接，其中i与j分别表示节点i和节点j；

构建模块，用于构建所述社交网络的网络模型NM并初始化，所述网络模型NM＝(n，K，Z，π，Ω)，其中，n，K，Z，π，Ω都为所述网络模型NM中的模型参数，n表示所述网络模型中节点的数量，K表示所述网络模型中的块数，用于表示社交网络中所包含的社区数，Z为n×K维向量，用于指示每个节点所属的块，π是K×K×3维向量，用于表示所述网络模型中块间连接的概率，Ω是K维向量，用于表示节点属于所述网络模型中的块的概率；aij＝1表示节点i与节点j之间存在一条正链接，aij＝-1表示节点i与节点j之间存在一条负链接，aij＝0表示节点i与节点j之间无链接；正链接表示友好、喜欢以及信任关系，负链接表示敌对、不喜欢以及不信任关系；

拟合单元，用于将所述网络模型与所述邻接矩阵拟合，计算所述网络模型的模型参数的后验近似分布；

最优模型选取单元，用于基于模型选择标准和所述模型参数的后验近似分布选取最优模型；

符号预测单元，用于基于所述最优模型按照预定义算法进行符号预测；

所述拟合单元具体包括：

拟合模块，用于将所述网络模型NM与所述邻接矩阵A拟合，每个K值对应一个网络模型NM，估计所述网络模型NM中的模型参数π、Ω及Z的后验近似分布；

所述最优模型选取单元具体包括：

标准获取模块，用于基于变分贝叶斯方法结合所述网络模型NM获得模型选择标准H；

证据值计算模块，用于基于所述模型选择标准H和所述模型参数π、Ω及Z的后验近似分布，计算每个K值对应的网络模型NM的证据值HK；

选取模块，用于选择最大的证据值HK所对应的网络模型NM作为最优模型所述符号预测单元具体包括：

符号预测模块，用于基于所述最优模型NMoptim中参数π的后验近似分布，按照预定义算法进行符号预测；

其中，所述预定义算法如下：

节点i和节点j间的链接符号根据以下公式确定：其中，l和q分别表示块l与块q，其中，节点i属于块l，节点j属于块q， 表示块l中节点i与块q中节点j之间存在一条正链接的概率， 表示块l中节点i与块q中节点j之间存在一条负链接的概率。