微博作为社交媒体的一种形式,具有信息传播快、来源广和多角度等特征,已经成为人们日常信息交流和分享的主要渠道,吸引了国内外学者的广泛关注。研究用户影响力对于微博的用户推荐、信息扩散、舆情监测和定向营销等具有重要的意义。首先,通过分析微博消息传播机制,构建了微博网络模型,并把微博网络细分为两个网络:用户关系网络和博文传播网络。然后,结合新浪微博的特征,为了有效地避免“僵尸粉”的影响,防止用户采用对博文的自我转发、自我评论等操作来恶意提升自己的影响力,从用户关系网络和博文传播网络两个角度,定义了四个评价用户影响力的指标:LeaderRank影响力、博文平均被转发数、博文平均被评论数和博文平均被赞数。在此基础上,为避免给不同指标确定合适的权重参数,引入了多目标决策中经典的Skyline计算方法,提出了WeiboLeaderRank影响力评价算法,并分析了该算法的特点。为了验证算法的有效性,使用网络爬虫技术,设计并实现了新浪微博数据采集系统,建立了包含125207个用户的微博研究数据集。由于微博服务器检测到异常的访问请求时,会采取重定向访问请求或禁止用户访问等措施,这会严重影响采集的速度。为解决这一问题,采用了多账号模拟登陆,一个账号开启一个线程,多线程同时采集的方法。线程使用匿名代理服务器请求数据,并动态改变请求HTTP头部信息,同时加入异常检测模块,及时发现异常情况并采取相应的操作,尽量模仿正常的用户访问行为,提高采集效率。最后在采集的数据集上进行实验,验证了四个影响力评价指标的有效性,并把WeiboLeaderRank算法和其他常用的用户影响力算法进行比较,结果表明WeiboLeaderRank算法评价效果更好,并且计算时间是随着数据量地增长而线性增加的,算法能适应超大规模的真实微博环境,同时具有较好的实时性。