1.一种基于高影响力人物互动和热度预测的话题推荐方法，其特征是，包括：获取社交媒体话题库以及用户信息，所述用户信息包括操作信息、个人信息以及社交关系信息；

根据所述用户信息、社交媒体话题库以及预设的本体模型，构建用户‑话题知识图谱；

使用图嵌入模型初始化用户‑话题知识图谱中每个节点与边的初始嵌入向量，所述节点包括用户节点和话题节点；

对所述初始嵌入向量进行对比损失训练，得到第一损失；

对用户‑话题知识图谱中的节点进行聚合，得到节点聚合向量，所述节点聚合向量包括用户聚合向量和话题聚合向量；

根据用户聚合向量和话题聚合向量计算得到交互偏好值，根据所述交互偏好值计算得到第二损失，对所述第一损失和第二损失进行求和，得到总损失，根据所述总损失对图嵌入模型进行训练，直至所述总损失最小，得到优化图嵌入模型；

根据所述优化图嵌入模型以及用户‑话题知识图谱得到优化用户聚合向量和优化话题聚合向量，根据所述优化用户聚合向量和所述优化话题聚合向量得到优化交互偏好值；

所有的用户聚合向量组成用户向量合集，选择用户向量合集中的任意一个向量作为目标向量，计算所述目标向量与用户向量合集中的其他向量的相似度，选择相似度最高的前k个用户作为相似用户合集，获取相似用户合集中每个用户在预设时间段内的历史交互话题作为潜在偏好话题集合；

获取用户对话题的隐性兴趣分数以及用户关注的高影响力人物发文中所涉及的初始话题集合，根据所述隐性兴趣分数对初始话题集合进行排序，选择所述初始话题集合中所述隐性兴趣分数最高的前k个的初始话题作为补充偏好话题集合，根据所述潜在偏好话题集合以及补充偏好话题集合得到补全偏好话题集合；

从所述社交媒体话题库获取第一预设时间段内的话题热度指标，根据所述话题热度指标对补全偏好话题集合进行筛选，得到候选话题集合，根据候选话题集合中的话题的时间序列预测未来第二时间段内的话题对应的热度预测值；

根据所述优化交互偏好值、隐性兴趣分数以及热度预测值，计算得到用户对候选话题集合中每个话题的综合评分，根据所述综合评分对候选话题集合中每个话题进行排序，从大到小选择前N个话题作为推荐结果。

2.如权利要求1所述的一种基于高影响力人物互动和热度预测的话题推荐方法，其特征是，所述根据所述用户信息、社交媒体话题库以及预设的本体模型，构建用户‑话题知识图谱包括：使用所述本体模型，将用户信息、社交媒体话题库中的话题信息转化为三元组；

将用户和话题作为用户‑话题知识图谱的节点，每个节点携带有属性信息，基于所述三元组生成节点的边，并初始化边的权重；

根据所述用户信息，获取用户与话题的交互行为；

根据所述交互行为，生成历史交互边，并计算所述历史交互边的交互权重，表示为：其中， 表示用户 与话题 之间边的权重， 为用户的交互行为集合，包括搜索、点击、转发、点赞以及评论， 为每个交互行为类型 的权重系数，用于调整不同行为的影响力， 为用户 在话题 上交互行为类型 的数量， 为用户 在话题 上的情感极性强度， ， 为时间衰减因子，控制时间对权重的影响程度， 表示用户 最后一次交互话题 与当前时间的时间差， 为用户 与话题 之间边的初始化权重；

根据节点、边权重、交互边以及交互权重，构建用户‑话题知识图谱。

3.如权利要求1所述的一种基于高影响力人物互动和热度预测的话题推荐方法，其特征是，所述根据用户聚合向量和话题聚合向量计算得到交互偏好值，根据所述交互偏好值计算得到第二损失，对所述第一损失和第二损失进行求和，得到总损失，根据所述总损失对图嵌入模型进行训练，直至所述总损失最小，得到优化图嵌入模型包括：所述根据用户聚合向量和话题聚合向量计算得到交互偏好值表示为：其中， 为交互偏好值， 为用户聚合向量， 为话题聚合向量，T为转置矩阵；

根据所述交互偏好值计算得到第二损失，表示为：

其中， ， 代表用户真实历史话题交互记录，

而 代表用户未交互的交互集合，即基于用户的历史话题交互记录分别进行正采样和负采样的交互集合， 表示sigmoid函数， 为用户未交互的交互集合中的话题；

对所述第一损失和第二损失进行求和，得到总损失，表示为：

其中， 为第一损失， 为第二损失， 代

表模型的参数集合，E指的是知识图谱中所有实体和关系的嵌入矩阵， 为 的变换矩阵，为关系r的嵌入向量表示， 为第 层注意力信息聚合权重矩阵， 为第 层注意力信息传播权重矩阵，为第 层邻居节点信息聚合阶段， 为知识图谱中所有关系类型集合， 为正则化系数，L为聚合的最大层数；

根据所述总损失对图嵌入模型进行训练，直至所述总损失最小，得到优化图嵌入模型。

4.如权利要求1所述的一种基于高影响力人物互动和热度预测的话题推荐方法，其特征是，从所述社交媒体话题库获取第一预设时间段内的话题热度指标，根据所述话题热度指标对潜在偏好话题集合进行筛选，得到候选话题集合，根据候选话题集合中的话题的时间序列预测未来第二时间段内的话题对应的热度预测值包括：从所述社交媒体话题库获取第一预设时间段内的话题热度指标，并根据时间顺序构建话题热度时间序列，表示为：其中， 为第 天的话题热度指标；

根据所述话题热度时间序列进行累加，得到对应的话题热度的阻尼累加序列，表示为：其中， 为第 天的阻尼累加值，为阻尼累加参数， ，为第 天，为第 天的话题热度指标；

根据所述阻尼累加序列以及灰色预测模型的白化方程，得到预测结果；

将所述预测结果通过逆累加生成算子还原得到话题热度预测序列作为第二时间段内的话题对应的热度预测值；

所述白化方程表示为：

其中， 和 为通过最小二乘法估计的模型参数， 为时间序列中的第一项，是距离当前时间最远的指标， 为预测的第 天的阻尼累加预测值，即预测结果。

5.如权利要求4所述的一种基于高影响力人物互动和热度预测的话题推荐方法，其特征是，所述将所述预测结果通过逆累加生成算子还原得到话题热度预测序列作为第二时间段内的话题对应的热度预测值包括：获取还原公式；

将所述预测结果输入所述还原公式中，得到话题对应的初始热度预测值；

所述还原公式表示为：

其中， 时， 为第 天的阻尼累加预测值， 为第 天的阻尼

累加预测值， 为还原得到的第 天的初始热度预测值；

对所述初始热度预测值进行残差修正，得到第二时间段内的话题对应的热度预测值。

6.如权利要求1所述的一种基于高影响力人物互动和热度预测的话题推荐方法，其特征是，所述获取用户对话题的隐性兴趣分数以及用户关注的高影响力人物发文中所涉及的初始话题集合，根据所述隐性兴趣分数对初始话题集合进行排序，选择所述初始话题集合中所述隐性兴趣分数最高的前k个的初始话题作为补充偏好话题集合包括：根据用户信息，分析关系网络；

根据所述用户‑话题知识图谱分析关系网络，筛选出对用户有影响力的高影响力用户集合；

获取所述高影响力用户集合中每一位用户的历史博文，得到博文集合，对所述博文集合进行文本聚类，得到话题集合，将所述高影响力用户集合中所有用户的话题集合合并去重，得到初始话题集合；

对每条历史博文下的评论文本进行情感极性分析，得到情感得分，根据情感得分计算出兴趣度，表示为：其中， 表示用户 对高影响力用户 发布的博文 的情感得分， 表示该条评论文本所获得的互动强度， 表示用户 对博文 的兴趣度；

根据所述兴趣度构建兴趣度矩阵，并对所述兴趣度矩阵分解，得到用户隐向量和博文隐向量；

获取用户的历史评论序列以及对应的被评论的博文序列，组成博文评论对；

将博文评论对进行交叉注意力计算，得到加权评论向量和加权博文向量，将所述加权评论向量和所述加权博文向量进行加权平均，得到融合向量；

选择博文集合中的一篇作为待预测博文，计算待预测博文与被评论的博文序列中的博文的嵌入向量表示的余弦相似度作为注意力权重；

根据所述融合向量以及注意力权重，计算得到聚合向量；

根据所述聚合向量、所述用户隐向量和博文隐向量，得到拼接向量，将所述拼接向量输入分类机中，得到兴趣预测得分；

获取待预测博文的话题；

将同一话题下的所有博文的兴趣预测得分进行加权求和，得到用户对话题的隐性兴趣分数；

根据所述隐性兴趣分数对初始话题集合进行排序，选择所述初始话题集合中所述隐性兴趣分数最高的前k个的初始话题作为补充偏好话题集合。

7.如权利要求1所述的一种基于高影响力人物互动和热度预测的话题推荐方法，其特征是，所述根据所述优化交互偏好值、隐性兴趣分数以及热度预测值，计算得到用户对候选话题集合中每个话题的综合评分包括：获取优化交互偏好值权重、隐性兴趣分数权重以及热度预测值权重；

根据所述优化交互偏好值权重、优化交互偏好值、隐性兴趣分数权重、隐性兴趣分数、热度预测值权重以及热度预测值，计算得到用户对候选话题集合中每个话题的综合评分，表示为：其中， 为优化交互偏好值权重， 为隐性兴趣分数权重， 热度预测值的权重，表示用户 与话题 的优化交互偏好值， 表示用户 与话题 的隐性兴趣分数， 表示话题 的热度预测值。

8.一种基于知识建模和热度预测的话题推荐系统，其特征是，包括：第一获取模块，用于获取社交媒体话题库以及用户信息，所述用户信息包括操作信息以及个人信息；

知识图谱构建模块，用于根据所述用户信息、社交媒体话题库以及预设的本体模型，构建用户‑话题知识图谱；

初始化模块，用于使用图嵌入模型初始化用户‑话题知识图谱中每个节点与边的初始嵌入向量，所述节点包括用户节点和话题节点；

训练模块，用于对所述初始嵌入向量进行对比损失训练，得到第一损失；

聚合模块，用于对用户‑话题知识图谱中的节点进行聚合，得到节点聚合向量，所述节点聚合向量包括用户聚合向量和话题聚合向量；

计算模块，用于根据用户聚合向量和话题聚合向量计算得到交互偏好值，根据所述交互偏好值计算得到第二损失，对所述第一损失和第二损失进行求和，得到总损失，根据所述总损失对图嵌入模型进行训练，直至所述总损失最小，得到优化图嵌入模型；

优化模块， 用于根据所述优化图嵌入模型以及用户‑话题知识图谱得到优化用户聚合向量和优化话题聚合向量，根据所述优化用户聚合向量和所述优化话题聚合向量得到优化交互偏好值；

第二获取模块，用于所有的用户聚合向量组成用户向量合集，选择用户向量合集中的任意一个向量作为目标向量，计算所述目标向量与用户向量合集中的其他向量的相似度，选择相似度最高的前k个用户作为相似用户合集，获取相似用户合集中每个用户在预设时间段内的历史交互话题作为潜在偏好话题集合；

第三获取模块，用于获取用户对话题的隐性兴趣分数以及用户关注的高影响力人物发文中所涉及的初始话题集合，根据所述隐性兴趣分数对初始话题集合进行排序，选择所述初始话题集合中所述隐性兴趣分数最高的前k个的初始话题作为补充偏好话题集合，根据所述潜在偏好话题集合以及补充偏好话题集合得到补全偏好话题集合；

预测模块，用于从所述社交媒体话题库获取第一预设时间段内的话题热度指标，根据所述话题热度指标对补全偏好话题集合进行筛选，得到候选话题集合，根据候选话题集合中的话题的时间序列预测未来第二时间段内的话题对应的热度预测值；

推荐模块，用于根据所述优化交互偏好值、隐性兴趣分数以及热度预测值，计算得到用户对候选话题集合中每个话题的综合评分，根据所述综合评分对候选话题集合中每个话题进行排序，从大到小选择前N个话题作为推荐结果。

9.一种终端设备，包括存储器和处理器，其特征在于，所述存储器储存有能够在处理器上运行的计算机程序，所述处理器加载并执行所述计算机程序时，采用如权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器加载并执行时，采用如权利要求1至7中任一项所述的方法。