近年来,社交网络呈现爆炸式的发展,其对现实社会产生越来越深远的影响。社交网络上活跃着数以亿计的用户,蕴含着海量的数据,对社交网络中用户影响力进行量化研究,有助于了解人类行为规律,并应用于商业推广、舆情管控、个性化搜索和链接预测等目的。PageRank算法可用于度量有向社交网络用户的全局影响力,但其仅利用社交网络拓扑结构信息并假定用户与好友间具有均等的局部影响力,因此将其直接应用于全局影响力度量是不准确的。通过引入对用户转发行为的分析,基于贝叶斯推断量化用户间局部影响力,并将上述贝叶斯量化值作为影响力分配权值,对PageRank算法进行改进,提出用户全局影响力度量算法——BPRank。BPRank算法中将用户转发微博的行为抽象为多项分布,以总体中的未知转发概率作为局部影响力的量化。且在分析经典统计推断方法不足的基础上,基于贝叶斯原理,首先根据用户间拓扑结构关系定义相似度的概念并给出计算公式,以此作为先验信息;然后结合转发样本,利用狄利克雷共轭分布计算得到局部影响力的贝叶斯量化公式。个性化PageRank算法是PageRank算法的延伸算法,可用于度量个性化用户的相对影响力。在定义上述相对影响力为正向影响力的基础上,提出另一种相对影响力——反向影响力的概念,并根据两者的差异给出反向影响力的局部随机游走定义。结合局部影响力的贝叶斯量化值提出反向影响力度量算法——BWPRank,其可用于链接预测。该算法首先根据社交网络拓扑图生成路径树,然后寻找合适路径,最后计算每条路径的转移概率并求和。最后,以真实新浪微博数据作为数据集,对提出的两个算法分别设计对比实验,证明对局部影响力的量化是全面合理的,BPRank算法和BWPRank算法是有效准确的。