随着信息时代的发展,网络社交逐渐成为人们日常传递信息、交流情感思想的重要途径。在国内,以微博为代表的社交网络平台拥有着巨大的社会影响力,其在重大热点事件、广告投放和推荐方面都发挥了重要作用,故受广泛关注和研究。微博平台信息传播过程中,用户的转发行为对传播行为影响最大,是信息扩散的主要路径。而用户对于推送的博文内容是否引起兴趣、博文的发布时间、用户自身信息以及信息源的影响力大小等因素都会使用户的转发行为造成影响。因此,把影响用户的转发行为要素尽可能的从收集到的数据中用合适的指标量化,并有效的组合以提高预测的准确性,成为微博转发预测的关键。本文从两个方面展开:首先通过微博API接口将大量微博数据进行获取,并对获取下来的微博数据进行文本特征的预处理和其他特征的预处理。分别使用TF-IDF方法和加权情感word2vec算法对文本进行两种词向量转化,使文本数据信息按两种方法进行向量化。对于微博用户属性数据则进行数据选取、清洗、整理等预处理操作,使模型有更好的预测结果。在清洗整理收集的微博数据时,筛选、衍生影响用户转发的混合特征。从四个类别的特征,与微博转发量的关系上梳理出各个变量之间的联系和方向。其次利用本文提取的混合特征,通过模型内的特征参数大小和特征在模型预测效果提升的贡献度大小来刻画各类特征的重要性。而且通过对四个方面特征的相关性研究验证混合特征是有效的。最后基于构建出的混合特征的特点和特性提出两阶段预测方法,并与不同的模型进行对比。通过实证分析得出如下结论:用户的基本信息特征里,用户的双向关注,粉丝数,被关注数,历史以来发博数均对微博转发量有显著的正向影响,用户在北上广地区要比其他用户转发量更高;而微博文本特征里,积极情感微博有更高的转发量,不同的微博主题内容对微博的转发量也有不一样的影响,图片和视频数对微博转发也有正向的影响;用户的影响力特征里,用户的粉丝影响力和同类标签粉丝比例对微博转发有着正向影响;最后在时间特征里,首次微博转发时间间隔和平均微博转发时间间隔对微博转发量有显著的负面影响。混合特征比单类特征包含信息更全面和有效,而且对于微博转发量影响大的影响因素,依次是基础信息、微博内容、转发时间和用户影响力。依据混合特征的特点和特性所提出的两阶段预测方法,比传统的机器学习预测模型也有一个更好的预测结果。