随着Web 2.0技术的迅速发展和在线社交网络的迅速普及(例如:微博、Facebook、Twitter等),社交媒介中存在着大量用户生成的数据,包括:转发、评论等。这给我们提供了机会去分析和度量社交网络中用户的影响力。社交影响力是指一个人的思想、情感或行为被他人所影响的现象。其作为一种影响网络结构和信息传播的重要因素,受到了许多研究者的关注。通过研究现有的工作我们发现,用户话题社交影响力是由多种因素共同决定的,但是基于图模型或矩阵的度量方法在融合多种因素时具有一定局限性。利用受限张量分解在这方面的优势,本文提出了基于受限张量分解的社交影响力度量模型。研究内容包含以下三个方面:第一,针对现有社交影响力分析方法缺少一种能够同时融合多种因素的度量,结合张量分解在表达多维数据上的独特优势。本文提出一种基于多因素限制张量分解的社交影响力度量模型。该模型使用张量存储带有观点倾向的用户间交互关系,用户的热度和话题相关度则以限制项的形式加入到张量分解过程中,借助交替最小二乘法求解张量分解的因子矩阵,最后由张量补全方法估计用户在给定话题下的社交影响力及其影响力的极性分布。实验结果表明,该模型在用户话题社交影响力排序上的平均p@k要高出OOLAM、TwitterRank等方法9%以上。第二,针对本文先前提出的基于多因素限制张量分解的社交影响力度量模型仅考虑了用户间交互关系、观点倾向、热度和话题因素,而用户间话题相似性因素未被充分考虑的问题。本文提出了一种基于拉普拉斯限制张量分解的社交影响力度量模型。该模型利用拉普拉斯矩阵,将用户间话题相似性因素加入到张量分解的限制项中,控制张量的分解过程。最后本文还给出了这种拉普拉斯限制张量分解方法收敛性的理论证明。实验结果表明,该模型在用户话题社交影响力排序上的平均p@k值相比于本文先前提出的方法提高了 1%。第三,在实际应用中,随着数据规模的不断增大,拉普拉斯限制的张量分解方法需要估计大量参数。这导致张量分解过程变慢,对计算机的内存需求也会激增。本文还基于MapReduce编程框架,将拉普拉斯限制张量分解迭代过程中的矩阵运算并行化,缓解参数规模增大所带来的问题。实验结果表明,这种基于MapReduce的张量分解算法具有良好的可扩展性,可以利用多个节点满足其内存需求。