随着社交媒体的发展,用户在网络中不再局限于信息获取者这一角色,更是成为信息的生产者和传播者。相比于门户网站和搜索引擎等,人们在获取信息时更倾向于使用社交媒体。社交媒体下的信息传播影响着人们的行为,包括注意力、信息获取、意见想法、态度情绪、消费行为等,而转发行为是推动社交媒体信息传播的一大动力。因此,对社交媒体中的转发行为进行分析和预测是热点研究方向之一,具有重要的理论研究意义和实际应用价值。社交媒体众多,从海量的用户生产内容中挖掘出用户关系、用户兴趣、社交网络结构、用户影响力等影响转发行为的因素并利用其进行转发预测是一大挑战。本文的主要工作是从具有噪声大、多模态、协同关联等特征的用户生产内容中提取用户属性、关系属性和内容属性等,利用数据挖掘和机器学习的方法,分析和建立用户实时兴趣动态预测模型,在获取用户实时兴趣的基础上进一步对社交媒体中的用户转发行为进行建模预测。本文的主要研究内容和创新点包括:(1)本文借鉴现有的用户意见影响和情绪传播机制等研究,针对用户及其关注用户之间的兴趣影响,提出基于交互与非交互数据的兴趣影响框架。分别利用LDA、BTM话题模型处理采集到的Twitter文本数据,得到对应的兴趣向量,结合遗忘机制对用户实时兴趣进行建模。实验证明本文提出的PNPUIM用户兴趣模型(participated and not participated data-based user interest model)相比于传统用户兴趣框架下的兴趣模型,能够更好地预测用户实时兴趣。(2)从采集到的Twitter数据集中,提取用户特征、内容特征和关系特征等特征群,对其进行相关性分析,从而选取重要特征。针对当前机器学习分类算法训练所得的全局参数无法满足具体用户的个性化预测,提出BP算法下的PMLP个性化多层感知机(Personalized Multi-Layer Perceptron),训练出能够个性化预测的个性化参数,实现对不同类型用户的个性化转发行为预测。(3)利用数据挖掘和机器学习中Random Forest,SVM,MLP等已有的分类算法和改进的个性化感知机PMLP进行多模型融合,实现泛化能力和预测准确率的提高。通过对采集到的Twitter数据集进行数据预处理,依据用户关系网络来构造转发行为和非转发行为的训练集和测试集,进而验证本文的转发行为预测方法的可行性和有效性。结果表明,PMLP的分类效果优于SVM和传统MLP,达到与随机森林Random Forest相近的分类效果,并在平均法结合策略下与其余三个模型融合,进一步提升转发行为的预测准确率。综上所述,本文以社交媒体的Twitter数据为对象,提取和构造用户属性、关系属性、内容属性等特征群,针对用户间兴趣影响,用PNPUIM对用户实时兴趣进行建模表达和预测。结合得到的用户实时兴趣和已有特征群,经相关性分析后进行特征抽取,采用PMLP对用户转发行为做出个性化预测,采取多模型融合方法得到最终的用户转发行为预测,对于社交媒体的信息传播和舆情分析等相关研究工作具有较为重要的实际价值。