随着Web2.0技术的不断成熟和发展,社会化媒体已成为人们生活中重要的组成部分。社会化媒体是一种在线交互媒体,具有广泛的用户参与性。它允许用户在线发布和传播信息,相互沟通与协作,组成虚拟网络社区,博客、微博、百科、论坛、播客等都属于社会化媒体。社会化媒体的关注对象是“用户”,因此如何准确有效地分析网络用户特征成为学术研究和应用开发的热点。在社交网络中,对用户做出正确的分析评价并采取相应措施,具有重大实践价值,例如,寻找网民推崇的“舆论领袖”、监测舆情变化、引导舆论走向；推断用户的性格和爱好、推广产品、灌输观念等等。本论文主要面向社会化媒体,从复杂网络分析和数据挖掘的角度,对用户特征分析涉及的关键技术进行研究和探索。本文着重研究的是“用户影响力分析”、“用户角色识别”、“用户所在社团的演化”等关键问题。其中,用户影响力分析是对用户重要程度、信息传播能力的研究,其结果可用于定义用户角色或监控舆论变化；用户角色识别是将具有类似行为特征或社会地位的用户划分为一类,并研究不同角色及所属个体之间的差异性和网络中发挥的作用；社团是由具有紧密联系的个体组成。以用户为节点的社团演化,研究的是动态网络中用户联系紧密程度变化的原因、趋势、影响,本文结合用户角色及网络结构的变化情况开展此项研究。本文主要研究内容及创新点是：1.提出一种基于倾向性转变的用户影响力排序方法。已有的影响力排序方法存在以下问题：1)对于关系稀疏的真实网络效果欠佳；2)不支持动态更新；3)忽略用户创作内容中隐藏的倾向或情感；4)未考虑用户会选择性地接受或抵制他人的影响。因此,本文从用户交互过程中倾向性变化的角度,对用户影响他人的能力和受他人影响的程度进行了研究,提出了一种基于倾向性转变的用户影响力排序方法。该方法以静态属性值、传播值、倾向性值度量帖子影响力；再将复杂的用户交互过程分解为多个局部回复链,并增加了间接回复关系；针对每个局部回复链分析帖子倾向性转变的情况,以此判断用户是否受到他人的影响及受影响的程度；能以查询方式快速获得用户在各级别的影响力及排名,并支持数据的动态更新。实验表明局部回复链构建方式具有合理性,本文所提影响力排序方法不仅有效,而且能从其他角度寻找到高影响力的用户。2.提出一种基于有向拓扑势的用户角色分析方法。拓扑势理论已应用于无向网络的节点重要性度量,然而真实世界的各种系统大多被抽象成有向加权网络,而且节点拓扑势的计算过程涉及最短路径问题,计算复杂度高。本文针对有向加权网络给出了入度拓扑势和出度拓扑势的定义,并提出一种基于影响范围的有向拓扑势算法,降低了计算复杂度。根据全网节点的有向拓扑势分布情况,提出一种新的用户角色分析方法,为研究角色及所属用户特征、检测动态网络演化事件点等提供了有力的支持。实验结果表明,有向拓扑势在衡量节点重要性、划分角色方面有不错的效果,而基于角色变化及重要性排名差异,能够识别动态网络中突发的事件。3.提出一种基于节点角色的社会网络演化分析方法。已有的用户角色研究中,不少学者定义了角色的数目和特征,对特定数据集取得了较好的效果,但存在的两个问题：1)通用性较差,若更换数据集必须重新分析；2)现实世界中用户行为和关系纷繁复杂,用户角色多种多样,难以通过人为的定义去描述和识别。因此,本文基于张量分解模型提出了一种用户角色发现算法,它不仅能自动设定角色数量,而且能反映角色在指定时间段的行为特征。进一步将用户角色延伸到社团角色,提出基于社团角色距离和节点重叠的社团演化分析方法。实验结果表明,识别出的用户角色其行为特征与实际情况吻合,提出的社团演化分析方法其效果也高于对比算法。总体而言,本论文特点在于面向社会化媒体,从用户行为和关系入手,对用户特征进行全面细致的分析和研究。