精准度量用户之间的影响力进而针对目标对象发现个性化的影响力用户在精准营销、专家发现以及舆情研究等领域有着重要作用。传统研究大多基于用户网络结构来度量用户之间的影响力,然而由于缺乏用户语义信息,这种方法并不能完全表征用户之间的影响力。另一方面,随着位置社交网络迅速普及,人们越来越多地使用相关平台分享信息,进而产生了海量的社交关系及用户行为数据,使得基于用户语义行为信息精准研究用户之间的影响力成为了可能。为此,本文基于行为针对用户之间的影响力问题开展了研究,具体内容为:现有的基于行为的用户间影响力研究直接将相邻用户发生同类行为的现象归结为用户间影响力因素,而没有考虑其他导致行为的非影响力因素（复杂混淆因素）,且无法计算多阶用户之间的影响力,导致计算精度不高。针对这一问题,本文通过分析用户社交行为成因并对复杂混淆因素分别进行建模,将用户之间的行为影响力从中分离出来,估计单次行为下相邻用户之间的行为激活概率。另一方面,大量研究表明多阶用户之间亦存在影响力,为此,本文基于独立级联模型分析用户之间的行为影响力传播扩散模式,并归纳为:单阶单路径、多阶单路径以及混合阶多路径三种模式,通过影响力概率扩散理论分别进行建模,估计单次行为下行为扩散概率大小。最后,本文在混合阶多路径模式的基础上度量任意用户之间的行为影响力大小,并针对目标用户提出了个性化的top-k影响力用户发现的social-PIFD算法。在真实的数据集的实验测试表明,social-PIFD算法在三种聚合模式下平均累计匹配曲线值均优于对比算法,其中最大值模式表现最优,在两类数据集上相较于极大似然估计模型精度分别提升了35%和35.3%。然而,由于social-PIFD算法的复杂度过高,致使其在大规模网络上的运行效率较低。为此,本文首先基于重启随机游走算法对目标用户的子网进行二次采样,再通过“等效原理”提出了基于动态规划的优化算法social-PIFD++,将原算法的平方复杂度降低为线性复杂度。实验数据表明,social-PIFD++算法的精度相较于social-PIFD算法其误差值小于4%,但CPU运行时间下降了大约十倍。客观对比实验结果表明,通过将用户之间的行为影响力从复杂混淆因素中分离出来的方法,能够有效提高影响力计算精度,同时基于随机游走和动态规划的优化算法能够有效降低social-PIFD算法运行时间,提升运行效率。