1.一种基于多因数@优化模型的Twitter网络信息推送最大化方法，其特征在于，包括：(1)综合考虑兴趣相似度与转推意愿二个因素确定目标用户群{u 1 ,u 2 ,...,u n }；(2)计算目标用户群{u 1 ,u 2 ,...,u n }在一天24小时内不同时间段的上线概率：(2.1)按小时将目标用户的时间段划分为24个时间窗口，根据用户持续一段时间T内的发帖模式，统计用户在每个时间窗口的发帖数量以及每个时间窗口的发帖分布，推断用户在时间窗口内的上线概率，计算模型如下：p＝E{[X-E(X)] 2 }×n＝∑ n [X-E(X)] 2其中，X表示用户具体发帖时间与时间窗口整点时刻的时间间隔；E(X)表示用户在持续一段时间T内的具体时间窗口中所有时间间隔的期望值；n表示用户在一段持续时间T内的具体时间窗口中发帖数量；(2.2)为了统计用户在持续一段时间T内的具体时间窗口中所有的时间间隔，首先根据用户在持续一段时间T内的具体时间窗口中的博文来提取用户的发帖时间{t 1 ,t 2 ,...,t n }，其中t i 表示离每天凌晨相差的秒级数量，时间间隔计算方法如下：Δt i ＝(t i -t 0 )/3600随后，统计用户在具体时间窗口内的所有时间间隔{Δt 1 ,Δt 2 ,...,Δt n }，由此，计算用户的上线概率模型被转换为如下：其中， 表示时间间隔{Δt 1 ,Δt 2 ,...,Δt n }的期望值；(2.3)统计用户在持续一段时间T内按天为粒度的发帖时间{d 1 ,d 2 ,...,d m }，为了与小时为单位的发帖模式统一量纲，采用如下归一化方法：其中，d 0 表示以天为单位的时间起点，设置为0；|T|表示持续一段时间T内的总天数；(2.4)持续一段时间T内按天为粒度的时间间隔被统计为{Δd 1 ,Δd 2 ,...,Δd n }，基于用户在持续一段时间T内发帖时序行为按天为粒度的分布，计算用户的上线概率如下：其中， 表示持续一段时间T内按天为粒度的时间间隔{Δd 1 ,Δd 2 ,...,Δd n }的期望值；(2.5)综合用户在持续一段时间T内每个时间窗口的发帖数量和发帖分布，以及持续一段时间T内发帖时序行为按天为粒度的分布，计算用户的上线概率如下：p＝p h ×p y(2.6)利用上述方法计算具体用户在每个小时时间窗口的上线概率，对于任何一个用户，可以用一个向量表示用户在每个小时时间窗口的上线概率：其中，i表示目标用户群{u 1 ,u 2 ,...,u n }的第i个用户；(2.7)针对目标用户群{u 1 ,u 2 ,...,u n }的所有用户，将能够根据用户的上线概率向量构造一个如下的受益矩阵：其中，n表示目标用户群{u 1 ,u 2 ,...,u n }的用户数目；(3)为解决我方账号每个小时内提及@用户次数的上限问题，构造如下优化模型：其中，x ij 表示第j个用户是否在第i个小时被提及@；如果第j个用户在第i个小时被提及@，则x ij 等于1；反之，x ij 等于0；c ij 表示上线概率，是矩阵P T 的一个元素；m表示时间窗口的数量，以小时为粒度划分时间窗口设置为24；n表示Twitter的所有用户数目；为了克服信息过载问题，设置我方观点用户第i小时提及@的用户数目上限为σ i ，即 为了简化问题，发布的每篇博文中最多仅仅只提及@一个用户，即 另外，实际提及@的目标用户群的数目少于阈值δ，即 (4)调整上述受益矩阵，使得适应传统的不平衡指派问题，将上述受益矩阵转换为如下新的矩阵H：其中，σ i 表示第i个人完成σ i 个任务，因此，对第i个时间窗口，在受益矩阵中增加对应数目的人来完成σ i 个任务，同时，设置矩阵中的第 行为0，表示开销为0的虚拟人完成剩下的任务；另外，原始的没有变形的优化问题是通过将任务分配给最合适的人，使得收益值最大，变形过程中，通过在原始矩阵中加入大常数M，将原始收益最大化问题转换为收益最小化问题；(5)根据变形的收益矩阵H，得到如下优化模型：采用匈牙利算法来求解该模型。
2.如权利要求1所述的一种基于多因数@优化模型的Twitter网络信息推送最大化方法，其特征在于：设置每个小时窗口内的发帖上限σ i 为不一样，用如下模型度量Twitter用户的上线行为模式：p＝{s 1 ,s 2 ,…,s 24 }，其中，s i 表示第i个小时内统计的总发帖数目，我方观点用户在每个小时提及@的用户数目在s i 基础上，增加一个常数c的规约因子，为了我方观点用户在每个小时提及@的用户数目不超过上限约束，定义如下σ i ：σ i ＝s i /c我方观点的一个用户不可能提及@目标用户群{u 1 ,u 2 ,...,u n }中的所有用户，即存在如下约束：
