在自由开放的社交网络中,众声喧哗背后的社会舆论对了解当下社会民众的价值取向与情感态度尤为重要,已逐步成为社会健康发展的风向标,因此网络舆论的影响力预测研究成为目前的一个重要研究方向。然而网络舆论中用户群体分布存在聚集性特征,群体内部用户很活跃,用户之间信息互动较为频繁和及时,并且信息流量大。因此,如何建立高效的数据处理方法,针对繁杂多样的舆论数据去伪存真,通过分析舆论数据的特点得到目前舆论的影响力并预测在未来时间段内舆论的发展态势,已经成为当下社交舆论影响力预测研究的难点。为此,本文针对社交网络结构特点和舆论的发展规律,提出了一种基于社交网络聚集性群体的舆论影响力预测方法。首先,本文针对舆论事件中社交网络结构错综复杂,舆论数据量大,计算分析耗时低效等问题,提出了一种基于节点出度的图聚类算法OGC。通过统计分析社交网络中用户的聚集性特点和用户影响力的关系,精简网络结构,缩小舆论影响力预测的研究范围,突显出舆论事件的核心群体。其次,本文在研究图聚类算法的基础上,通过分析舆论话题的扩散规律和网络节点度数的分布特点,提出一种基于OGC的自适应种子节点挖掘算法ASMO。在ASMO算法中以OGC的聚类结果作为输入,然后基于OGC算法挖掘影响力最大的种子节点提炼出主导舆论发展的核心用户。并且提出了控制种子节点数量的自适应参数,一方面削减了舆论预测的问题空间,另一方面提高了挖掘出的用户对舆论影响力的解释能力。最后,将种子节点集的信息传播规律引入到舆论影响力预测问题中,针对舆论数据的时间序列特性提出一种加权差分法进行数据平稳化处理。使用ASMO算法结合时间序列预测模型ARMA以及Prophet对种子节点集的舆论影响力进行拟合和预测,并进行实验对比和验证。实验结果表明,在ASMO算法对社交舆论数据处理的基础上,ARMA模型的预测时间降低了9.53%;Prophet模型的预测时间降低了13.03%。