最近几年分析微博中的社交影响力吸引了许多学者公司的关注。但是,大多数的工作的重心都是在衡量作者的影响力,很少有工作去量化用户是如何被影响的。用户i转发作者j的微博主要是由于两个方面的影响:由于作者的影响力或者微博内容本身。为了挖掘这个影响模型,我们提出了一个新颖的贝叶斯泊松分解模型叫做影响力泊松分解模型(Influence Poisson Factorization),简称IPF。IPF通过同时分解微博数据和转发数据来量化作者的影响力,用户的喜好和微博的主题。IPF通过计算作者影响力部分和微博内容影响力部分的和来作为最后转发序列的得分。如果是由作者影响力引起的转发,那么第一项就会起作用;如果是由内容影响力引起的转发,那么第二项就会起作用。我们采用变分推断的办法优化IPF模型并分别在新浪微博和Twitter数据集上验证了模型的有效性,之后又将模型扩展到微博推荐和微博转发预测的任务中,实验结果表明如果我们将我们的特征加入到这两个任务中,IPF都会提升在这两个任务的准确率。