随着在线社会网络应用的发展,在线社会网络分析方法受到研究人员的关注。同时,社交网站产生海量关于用户朋友关系以及自身行为(例如用户观点、评论和照片等等)的数据。现今,用户通过网络进行交互的行为基本都发生在社交网络。通过社交网站,人类可以更加方便和高效的同他人进行交流。所有看似微小的信息,经过社交网站数以百万人的行为操作,都能构成一个巨大并且快速迭代的数据集。面对如此丰富的信息,学术界和工业界开始进行相关研究。搜索、关联性研究以及对于个人用户数以百万计的发布信息的研究,成为一个重要的研究方向。然而,现有的行为分析方法大多面向全局网络,以某用户兴趣为中心的局部网络用户行为算法研究比较缺乏;现有方法主要考虑行为之间的相关作用,忽略亲密度、影响力和用户交互行为等社交因素。论文基于以上问题,提出基于用户亲密度和影响力的社交圈用户影响力挖掘算法。基于海量社会网络数据,提出基于PageRank挖掘社会网络关键用户的PageRank-Based(PRB)排序算法。该算法可适用于现实世界中产生的大量数据。在每个阶段,论文首先对问题本身进行一个简短的陈述,然后通过基于PageRank的关键节点挖掘算法,实现对大数据用户行为的分析。为验证PRB排序算法的有效性,论文提出基于聚类系数的节点重要度系数指标,进行PRB算法有效性验证。然后,将PRB排序算法得到的关键用户节点运用于D-S证据理论进行用户行为分析。最后,论文提出基于关键节点的局部社区发现算法,将PRB排序算法得出的关键用户节点作为潜在种子节点,通过计算节点间的亲密度来剔除可能出现的重叠社区。实验结果证明所提算法的正确性和有效性。