近些年来,随着移动设备的普及,亿万网民在社交网络中的点赞、评论、转发等行为已然成为了分析用户行为、人类活动的宝贵信息。本文主要的研究对象是微博网络中的用户转发行为,它被认为是信息在微博网络中进行传播的主要机制。微博转发预测在舆情监控、话题检测、用户影响力评估、广告投放、微博推荐等方面都具有重要意义,因此引得大量学者的广泛关注与研究。在实际的决策过程中,用户对微博内容是否感兴趣、微博的热门程度、用户受到的影响力大小等,都有可能影响用户的转发决定。微博转发行为预测问题的关键在于如何更全面的捕获到影响用户转发行为的多种因素,并且将其有效的结合在一起以提高微博转发预测的准确性。本文将混合特征应用到预测模型中,延用现有的算法,将预测过程进行分阶段讨论,通过不同特征、不同模型的对比实验证明特征及模型的有效性与适用性,主要工作包括:1)采用基于微博粒度的抽样方式进行不平衡数据的处理。从微博的粒度对负样本进行下采样,保证正负样本量平衡的同时,也保证了负样本所涉及到的微博数量足够多。并且通过后续实验,证明了本文所采用的下采样策略比完全随机下采样得到的训练数据集,能使模型有更好的预测效果。2)在研究影响用户转发行为的因素时,分析、构建各个混合特征。不仅考虑用户与用户、用户与微博之间的关系,还从“朋友圈”的角度提出圈子对用户转发行为的影响;另一方面,本文发现用户自身的情感偏好对其转发行为也有较大的影响。3)提出两阶段用户转发预测模型。预测过程被分为两步,第一阶段预测用户在单个场景下的转发概率,第二阶段则权衡各个场景对用户最终转发决策的重要程度,相比直接使用分类器预测,两阶段模型有更好的实验效果。4)实现基于混合特征的转发预测模型。利用本文所提出的特征,通过使用不同类别的特征、不同的算法分别建立转发预测模型,对预测结果进行展示及分析,并刻画各类特征的重要性,还与其他论文所提出的转发预测模型进行对比实验。结果表明,在本文所采用的数据集合上,相比于所对比的其他论文提出的混合特征,本文所提出的特征在用户转发预测问题中有更好的实验效果。