社交网络作为互联网最热门的应用之一，随着流行和普及，人类的沟通交流已不再局限在相同的时间和空间内。快速发展的社交网络不仅是用户展示自我价值、表达利益诉求和维护人际关系的重要途径，也为信息传播与分享提供了高效平台。社交网络带有明显的社会特征，其主体是用户，信息传播由人类的心理活动与行为共同驱动。传播的过程依赖于复杂的个体与群体关系，带有随机性，容易相互影响。传统的理论和简化模型，难以准确地描述传播过程。因此，社交网络信息传播作为一个多学科交叉形成的研究方向，研究工作存在高度不确定性和复杂性。本文结合了复杂网络理论、流行病传播动力学、机器学习和语义分析等学科的思想和方法，对社交网络数据获取、传播行为实证分析、传播动力计算、文本情绪理解与模型构建等问题进行了研究。　　论文以单向弱关注类社交网络和移动社交网络为主要研究对象，通过对群体行为数据的统计分析，提出引发个体传播行为的主观和客观传播动力因素。研究发现，主观传播动力主要来自个体自身对信息的传播意愿，而引发传播意愿的根源可被归结为三种因素：个体对观点的认同度（包含个体的兴趣相似性)、个体的关系强度及个体与传播源的接触频度。客观传播动力来源于两种因素：个体自身的影响力与消息文本的情绪结论。论文致力于合理科学地量化这些传播动力因素，提出一种基于文本情绪分析的信息转发分类模型，以及一种融合多种传播动力计算的社交媒体传播时空演化模型。论文的研究工作主要包括以下内容：　　1、基于群体行为特征分析的个体影响力判断。通过分析新浪微博开放平台API，提出了一种基于JSON结构树的微博信息解析方法，将JSON对象转换为一种类似HTML DOM的树结构，存放关键信息的DOM节点位置，最后抽取特征节点的内容。该方法获取速度快，对海量数据获取有较强的针对性。获取数据后，进行包括关注与粉丝比例、粉丝数量与质量，转发对象分布与转发频率等项目的统计分析，发现个体的影响力是一种影响信息传播的客观因素，进而提出一种个体的影响力判断方法。该方法以粉丝和关注的数量、转发和评论的数量，转发分布律和粉丝对节点的影响力贡献为条件，通过影响力贡献数列计算粉丝对不同的关注者不同的影响力贡献。实验结果解释了社交网络的群体传播现象，总结了个体影响力与活跃用户自身属性、转发特点和粉丝行为的关系。　　2、个体兴趣的相似性计算与重叠性识别。面向移动社交网络分析消息的传播因素，提出个体的主观传播动力概念—兴趣相似性。以复杂网络的社团发现理论为基础，根据谱平分算法的思想，通过Laplace矩阵计算获得个体的兴趣相似性值。根据群体对单一主题的不同兴趣程度，结合第二小特征值概念，提出兴趣边界值概念，构建谱分割算法对节点进行兴趣相似群体分类。针在图论中可被描述为在节点之间，引发个体传播多主题信息的兴趣重叠性，结合派系过滤算法的特点，提出一种 k类群过滤算法。通过迭代回归计算和重叠矩阵，识别出具有兴趣重叠特征的节点和多兴趣主题的圈子。仿真实验显示，对比传统的谱平分算法和派系过滤算法，新算法在量化个体对消息的感兴趣程度，识别单一和多主题的消息传播群体方面获得了更好的效果。　　3、基于文本情绪分析的信息转发分类模型。个体阅读微博文本后，对内容的情绪理解会产生推动信息传播的动力。首先，为了识别文本中的情绪结论，应用语义网络对微博内容进行知识表示和自然语言理解，总结出微博中出现频率最高的53个情绪结论词汇，包括副词和代词。其次，从微博样本中抽取确定的情绪词汇，疑似的情绪词汇则采用不确定性推理计算其可信度。从Hownet本体知识库中获取词语、义项和义原的相似性作为推理证据的可信度，从而计算出结论的可信度。最后，定义微博的转发数量范围，应用朴素贝叶斯分类方构建转发分类器，对分类器的鉴别正确性进行样本训练，评估测试效果显示，分类预测已经达到较高的准确率。　　4、融合个体传播动力计算的传播时空演化模型。首先分析社交媒体的信息传播机理和流程，定义传播规则。根据传染病动力学理论，用图论的方法把个体分为传播节点、未感染节点、免疫节点三类。结合MLW模型特点，定义传播圈子描述模型中节点和边的变化。其次，提出主观传播动力因素概念：个体传播意愿，包括三种构成因子：个体关系的强弱度、个体对观点的认同度和个体接触传播源的频度；代入兴趣相似性值，以CODA模型为基础设计了量化方法。在服从幂律分布的非均匀网络中，构建平均场方程组描述节点的演化过程。最后，以个体影响力值为条件，提出波纹传播动力计算方法，计算传播的动力值和持续时间。构建BA网络仿真实验，结果显示，模型有助于深刻理解社交媒体的演化过程，解释了传播现象，获得了信息传播与个体传播动力变化的基本规律。　　综上所述，研究社交网络群体的行为特征、文本的情绪特征，量化个体传播动力，对发现潜在的传播规律和预测传播效果，具有重要的理论意义和应用价值。