近年来，社交网络呈现爆炸性增长，用户活跃程度越发提高，产生的信息量也越来越大，有着对传统互联网取而代之的趋势。在这种情形下，学术界和产业界也纷纷开始研究社交网络中用户和信息的一些规律，以便能够更好的服务于这个网络上的个人和群体用户。在这些研究当中，有关用户行为和信息传播规律的研究也逐步成为众多研究内容中最常见和最核心的部分。　　用户行为和信息传播两项研究中都涉及到的一个基本问题是，当社交网络中的一个用户节点看到某条消息时，他是否会对其采取相应的动作？这个采取的动作的概率又是多大？在以往的研究当中，形成了两种理论来解决这一问题。其一是用户影响力理论，主要观点是用户节点之间因为其关系而存在着相互的影响，这种影响也可以使分不同话题的。其二是消息交互理论，主要观点是用户看到的消息列表中，前面的一些消息会营造出一个主题环境，来对后面的消息产生影响。两种理论都通过实验验证了所提影响因素的存在性。然而又不能解释对方提出的问题情形。于是我们提出这两种影响因素都应该存在作用，并提出了一个融合两种影响因素的贝叶斯概率模型，通过真实环境下采集的大量包含内容信息的微博网络数据和引用文章网络数据，我们设计了用户行为预测实验和信息接受度实验来验证模型的正确性。实验结果表明，我们的模型比之前考虑一种影响因素的模型，能够给出更好的实验效果。同时，为了能是模型拥有实际的用途，我们还提出了降低时间复杂度和其他加速算法的方法。　　我们的主要贡献可以概括为：　　（1）提出了将用户影响力和消息交互两种理论相结合的概率模型方法，且经过实验的验证，我们的方法可以做到比单纯使用其中一种影响因素的方法，在准确性方面能取得更好效果。　　（2）设计了针对社交网络和引用文章网络两种信息网络类型的实验，发现我们的模型不仅能应用在微博这样的在线社交网络中，而且也可以用在引用文章网络这样的信息网络中，说明了本模型具有一定泛化应用的能力。　　（3）通过分析话题级用户影响力条件下的消息交互作用要弱于单纯的消息交互模型计算得出的交互力度。我们对实验的结果进行了更加深度的分析发现，是话题级用户影响力部分替代了单纯消息交互因素下的消息交互作用。