当社交网络群组交互成为新的运营模式后,对于群组内用户之间的影响关系的研究变得尤为热门。尽管在线社交网络和社交媒体可以让用户很直观地看到用户之间的关注关系,但每个用户只可能知道其邻居用户的少部分好友,无法轻易掌握整个网络结构,并且无法直观的获得关注程度的强弱。因此必须有方法来推断群组内用户之间影响关系,从而进行群组内精准的好友推荐服务或者其它个性化服务。越来越多的用户关系研究旨在增强在线社区用户忠诚度以及活跃度,提升社区的信息服务准确性和效率。社交网络用户关系的创建因素大体分为两种:显示和隐式。在包含显示连接的社交网络中,用户之间的所有联系都是用户有意行为的直接结果,如直接互动,关注。每个用户都在通过明确定义与他人的联系来建立自己的拓扑网络。在包含隐式连接的社交网络中,用户之间的联系是基于对用户资料、行为信息等的“第三方”推理,从而导致拥有相似隐藏信息的用户之间自动或半自动连接。于是本文提出将基于意见领袖的De Groot模型应用到文本为主体的社交网络数据集上,并通过文本的主题分布来挖掘社交网络中成员之间的相互影响关系的方法。该方法能够同时挖掘社交网络用户显示和隐式影响关系,对传统用户影响关系评估技术在假设网络用户间置信度已知、有影响力人物选取的单一性、用户影响关系评估因素粒度大、不能挖掘隐式用户影响关系等不足进行了改进,合理假设社交网络用户观点转移过程,准确选取社交网络群组中有影响力的用户,增加了隐藏信息的提取,扩充了传统方法影响关系评估信息的粒度,并且构建了网络用户间合理的影响方式。同时采用模拟数据对所提出的方法进行了可行性和准确性的验证,当用户意见挖掘误差在一定范围内时,用户之间影响关系挖掘的准确性能够得到保证。最后将该方法运用到Facebook用户群组发贴数据之上,对每位用户相关文本进行了加权汇总,以及有针对性的预处理,精确地挖掘了用户的意见分布,使用该意见分布挖掘出了小组用户之间的影响关系,并使用专业软件进行了用户网络结构的可视化。