社交网络已成为人们生活中不可或缺的一部分,通过对用户的转发进行深入的研究,可以了解信息在互联网上的传播模式,在舆情监控、广告推送等方面有重大研究意义。对用户的转发行为进行预测主要从模型选择和特征挖掘两个方面出发,前者可从因子图模型、单类协同过滤、矩阵分解等方面进行研究,后者可以分为网络结构、信息内容、用户行为和混合特征。本文主要研究的是推特社交网络中用户的转发行为,现实决策中用户的转发行为由多种因素决定,用户的转发习惯、推文的话题热度、推文作者的影响力等都会影响用户的转发行为;在研究历史推文对转发行为的影响时未考虑到历史推文的时效性;对于情感的研究缺乏针对性,没有构建特定领域的情感词典;预测用户转发行为关键在于如何更全面挖掘影响用户转发行为的因素并将之有效结合起来提高转发预测的准确性,针对上述问题本文做了如下几项工作:（1）当前研究推特用户转发行为影响因素主要从用户行为、影响力以及推文内容,在预测转发行为时重心放在静态特征上。本文基于社会学对用户的转发行为进行分析,加入用户与推文作者之间的距离、用户之间的关注关系等动态特征;利用互信息度和左右熵构建推特转发领域的情感词典,提高情绪词分类的准确性。（2）在通过历史转发推文挖掘用户转发推文兴趣爱好时,忽略历史转发推文的时效性,用户的兴趣是不断变化的。本文提出一种基于霍克斯过程的用户转发行为预测模型,将用户转发推文的强度归结为基础强度与激励程度,并利用哈夫模型计算用户与推文作者之间距离、用户的转发数对转发推文的基础程度,解决历史转发记录对当前转发推文的影响、用户兴趣等问题的动态衰减。实验结果表明本文提出模型与Ada Boost模型和RBMHDRN模型相比准确率分别提高2.29%和1.55%（3）基于推特用户转发行为预测构建用户分析系统,该系统能有效对推特用户兴趣爱好及区域影响力进行分析与研究,对开展舆论控制、精准推荐、用户影响力评估等研究工作提供智能支撑。