在线社交网络的蓬勃发展,加速了物理社交世界和虚拟网络空间的融合。Weibo、Facebook、Twitter等社交媒体已经成为公众分享和交流信息的主要社交平台,人们可以方便快捷地获取到好友的动态,并且自身行为也在互相影响。在线社交网络通常会记录用户交互活动产生的行为数据,通过分析用户行为数据的分布规律和因果关系,能够评估行为发起者和传播者之间的社交影响力,还可以预测人们在社交网络上的行为。用户之间的交互信息为社交影响力分析提供了机会,并且用户转发行为预测的分析与建模在诸如信息传播、舆情监测、社交推荐等方面具有重要的应用价值。本文侧重于研究社交网络中用户的从众性趋势以及用户转发行为预测问题。从众性分析的相关工作主要从理论方面对模型进行定性研究,以及基于不同的模型量化用户之间的社交影响力。此外,现有的行为预测方法主要从基于信息传播过程的网络拓扑图和基于特征工程的机器学习方法来构建转发行为预测模型,前者主要从全局的角度构建模型,后者的有效性严重依赖领域专家知识。本文重点从不同的层次来衡量从众性对用户行为的影响,并基于深度学习设计了端到端的学习框架,对用户转发行为进行分析与预测研究。本文的主要工作如下:（1）研究社交网络中用户从众性影响的分析与建模问题。首先,形式化地介绍社交网络结构及用户历史行为,定义了个体层次、对等层次和群组层次的从众性因子。其次,设计基于用户属性和基于社交理论的特征,构建多层次从众性因子图模型,衡量不同层次的从众性因素对用户行为决策的影响。最后,在三个不同类型的社交网络上对行为预测性能进行了分析,并且探究了不同影响因素的贡献度以及从众性在社交网络中的作用。在大规模数据上的实验表明,多层次从众性因子图模型能够提升行为预测的效果,并且具有更好的可解释性。（2）研究基于图表示学习的转发行为预测问题。本文从深度学习的角度对该问题进行分析,构建了一个端到端的学习框架,根据用户自我中心网络中附近邻居的行为状态和局部结构信息来预测用户的行为状态。通过图表示学习方法将社交影响力驱动因素和局部网络结构信息表示为一个隐空间向量,利用图卷积和图注意力机制来学习潜在的预测信号,将特征向量进行非线性变换,映射到二维输出向量上。通过实验验证了本文所提出的模型在转发行为预测问题中优于基于特征工程的学习方法,从而表明深度学习框架可以挖掘用户行为中复杂的驱动因素以及表示学习在社交应用中的有效性。