近十年来,在线社交网络作为新的信息传播媒介,由于其平民性逐渐拥有众多用户而得到了充分的发展。最著名的社交网络包括微博、腾讯微博和其他海外应用,如Facebook和Twitter。而这些在线社交网络中的用户在不同于真实世界的虚拟世界中依然充当着信息传播过程中的一个节点。与真实世界有所不同,在线社交网络中的信息传播是通过用户的转发行为而实现的,并且该网络中的用户可以自由的发布自己的言论。随着这类社交网络中用户数量的不断增加,同时信息更新速度比传统纸质媒体要快许多,社交网络开始逐渐成为人们获取信息、表达自我看法和进行信息传播的主要方式。本文旨在通过对微博中的一些用户的发布历史、用户网络、用户基本信息和目标微博的文本内容的分析来构建预测用户转发行为的模型。由于在线社交网络中的信息传播逐渐成为网络舆情的发生发展的温床,本文研究基于用户转发行为的影响最大化问题。具体的,本文的主要工作内容可概括如下:(1)针对大多数预测模型忽略用户前后发布的推文之间存在的可能联系这一缺陷,本文提出一个用于预测用户转发行为的预测模型。利用自然语言处理技术对用户历史发布的微博文本和目标微博文本分别进行表示,利用网络表示学习技术对用户网络进行表征学习,同时考虑到用户的基本信息是用户自身的固有特性,且从某种程度上也反映了用户的兴趣点,然后结合用户历史、目标微博、用户网络和用户基本信息四个方面的内容对用户转发行为进行预测。其次,验证了本文所提预测方法的有效性,在真实的、公开的、非全网微博数据集上的结果表明,该模型能够较准确地预测结果。(2)考虑到社交网络中的信息传播与用户转发行为密切相关,本文提出了一个基于用户转发的独立级联传播模型。由于用户可能会收到多个邻居同时发布的或转发的相同信息,该模型中激活概率的计算方式不仅与传播路径以及用户自身的转发概率有关,也与初始用户的选择密切关联,因此估算激活概率的方式是动态的。(3)针对该传播模型下的影响最大化问题,本文给出一个基于贪心算法的影响最大化算法来找到其中能使信息传播范围最大的节点集合。模拟实验结果表明,在大小不同的两个真实数据集上,本文提出的算法所找出的节点集影响范围较优于常用算法。