伴随着云时代的来临,大数据正在从各个方面影响着我们的生活,从企业到消费者,从科学界到国家政府,无不正在拥抱大数据的潮流。作为大数据最重要的数据来源和应用领域之一,社交媒体(又称社会化媒体)正在展现出巨大的潜力。一方面,大数据是社交媒体发展的必然结果。由于用户能够在各种社交媒体平台上创造、分享和交换大量信息,社交媒体的蓬勃发展势必造成数据的爆炸式增长。另一方面,大数据又为社交媒体带来新的机遇和挑战。大数据使得数据驱动的决策成为可能,如何对这些庞大的社交数据进行深度挖掘,并且有效地转化为商业价值,是社交媒体大数据的挑战。作为一个典型的社交媒体平台,本文以Twitter为例,研究了大数据背景下企业社交媒体营销实践中的若干应用。总的来说,我们将社交媒体平台上的用户行为归纳为三种。第一,关注(follow):即导致关系建立的行为；第二,取消关注(unfollow):即导致关系破裂的行为；第三,提及(mention):即产生社交沟通的行为,本文将作为所有通过@字符呈现的评论、回复、转发、私信和提及统称为mention。通过研究关系型行为(即follow和unfollow)和交互型行为(即mention),我们就可以全面地获取和理解社交媒体用户的行为特征,从而为社交媒体数据的分析和处理做好准备。本文从社交媒体营销策略的应用角度出发,分析和研究了社交媒体用户的行为特征,就特定的营销课题,分别提出了问题定义和解决方案。本文分别从企业社交媒体营销的三大应用考虑,即：舆情监测和分析,定向广告和客户关系管理。具体来说,本文的具体研究内容和创新点如下：(1)将Twitter等社交媒体平台上的用户行为分为两大类,即关系型行为(follow和unfollow)和交互型行为(mention),并重点研究了unfollow和mention。本文从社交媒体营销策略的应用角度,定义和解决了若干实际问题,即基于,unfollow的舆情监测和分析,以及基于mention的定向广告和受众分类。(2)提出了基于unfollow的舆情监测问题。Unfollow行为是有趣的,因为：第一,与相对鲁莽草率的follow行为相比,unfollow常常更加严肃和可信；第二,unfollow可能意味着关系破裂,所以unfollow天然地蕴含着危机概念。本文提出了Crowd Unfollow概念,认为突发性地大量掉粉是值得关注的,并提出了相应的检测方法。也就是说,当短期内突发大量unfollow行为同时发生时,可能产生网络舆情。本文提出了如何检测unfollow舆情危机,以及危机情况下是否存在意见领袖的影响。(3)提出了基于mention的推荐系统。提出利用mention机制,在发布特定微博消息的时候解决定位目标用户群的问题,称为@推荐问题。首先,在发布消息的时候@其他用户,能够促进信息共享和社会交流,因此有助于通过社交媒体平台进行在线客户关系管理。其次,作为一种主动触发和鼓励交互的“拉,,机制,mention能够在消息发布的当下就出动触发交互,其实现方式是在编辑消息的时候以@username的形式告知相关用户。我们将问题定义为一个基于排序学习的推荐问题,即给定某个发布者及其特定的营销tweet,我们要推荐排名最靠前的用户作为mention的对象。我们综合考虑了发布者、tweet和听众三种实体的内容、社会、位置和时间等四个维度的特征。此外,还向排序学习模型引入了两个参数,即发布者的置信度偏见和听众的响应度偏见,以保证推荐的听众是相关的并且具有高响应度。(4)将场理论引入社交网络中进行直接和间接的用户关系的建模,即通过计算节点的势能衡量节点的辐射范围,来确定用户节点的影响度,从而对受众群体进行重叠社区划分。我们将粉丝和所有通过@交互的用户统称为受众。受众分类的目的是基于用户的属性和关系特征进行有效地识别和区分,从而有针对性地向用户提供个性化的信息和服务。即以企业或品牌作为目标用户,综合考虑follow、unfollow和mention三种行为,通过构建特定的社会网络结构,基于用户之间的关系对所有受众进行分类。