随着现实社交网络服务的飞速发展，理解网络用户之间潜在的影响力的传播过程，能够帮助我们更好的理解网络结构的动态演化，以及不同的信息对于人与人之间的社会影响作用。现有的关于影响力传播的工作主要集中在两个方面。一是给定静态社交网络结构，分析用户之间的影响力传播，找出最有影响力的用户子集。二是给定一些网络事件序列，挖掘恢复任意相邻的两个用户之间的影响力作用。然而这些工作都忽略了社交网络中的内容信息，即用户之间的影响力作用是和用户产生的内容紧密相关的。例如，给定一个特定的网络话题，拥有不同话题偏好的用户对于该网络话题的响应程度会明显不同，而这种现象会很大程度上决定用户之间的影响作用的发生。此外，现实中社交网络是随时间动态变化的，因此将网络的动态特性考虑进来能够有助于构建更加准确的信息传播模型。　　本文提出一种基于Indian Buffet Process(IBP)随机过程，融合了内容信息和动态时间网络特性的影响力传播模型INFOIBP(Influence propagation On IBP)。假设给定社交网络中两组时间序列观测数据，一组是用户的偏好观测数据（内容信息），另一组是用户的邻接关系观测数据（结构信息）。INFOIBP模型可以通过嵌入基于非参数贝叶斯的影响力传播先验来有效的解释这两组观测数据的生成过程。与此同时，网络中潜在的有影响力的用户被看作是一种潜在的特征可以通过不同采样算法和数值逼近求解出来。这样就将传统的影响力最大化问题中具有非确定性多项式上界(NP-hard)的子集选择问题转化为多项式复杂度内的数值问题。对于社交网络中的动态时间特性，本文利用了隐马尔科夫模型建模了不同时间步上的影响力传播过程。　　融合了内容信息和结构信息的INFOIBP模型可以更加有效准确的建模影响力传播过程，挖掘网络中潜在的有影响力的用户，以及描述网络的动态结构特性。本文通过大量的实验验证了INFOIBP模型相比较于现有的方法能够准确的处理现实中的社交网络数据，更好的建模影响力传播过程，并对未来的观测数据做出更加准确的预测。