社交应用软件在如今人们的生活中变得越来越重要。微博作为其中的代表,它打通了陌生人交流的屏障,使亿万人在网络中自由交流。微博的用户数据量很可观,变成了研究用户行为的一个重要资源。在微博环境中,微博的转发属性是最能看出用户偏好的,因此研究微博转发很有意义。用户的偏好同时受很多种因素影响,本文主要研究用户的偏好受内容和作者共同影响。因为本文是在主题维度上进行研究,所以后续可以根据微博文本的主题来判断用户转发是受作者影响还是文本内容影响,这样就能够更加清楚微博的转发机制。同时可以得到用户的偏好。有了用户的偏好之后,可以对他未来的行为进行预测。对群体偏好的研究有着广泛的应用,比如总统大选时,来调查网上的民意。比如根据某一地区居民的偏好来判断是否要新建一所商场,这都是很有意义的。对微博转发问题的研究已有很多成熟的方法。比如F-FFM方法^[1]和F-Diff方法^[2]。前者结合了图方法,后者基于协同过滤方法。本文采用的基于Dirichlet非参模型的Beta-Possion模型在处理稀疏的非负的数据时有自己独特的优势,即解决负反馈问题。引入的非参模型可以对新样本的主题数进行自适应,从而解决过拟合的问题。很多学者利用一些传统的机器学习方法,比如Random Forest和FM方法解决这一问题。它们的主要思想就是把影响因子变成特征向量,是判别式模型。可是这些方法有局限性,比如不能解决负反馈问题和转发数据的稀疏性。在解决文本向量时也有局限。它们在对文本进行建模的时候,往往需要给文本一些假设条件。比如在特征化的时候,它们的维度都是需要提前给定的。无论是用LDA方法还是embedding方法,这种方法可以很好拟合旧数据,但是新的文本向量遇到新的主题维度的时候,就不能很好解释。针对这些问题,本文引入了基于Dirichlet非参模型的Beta-Possion模型。它的优势在于（1）针对负反馈以及数据稀疏的问题,提出了Beta-Possion分解模型。它只利用到正样本数据,这样就解决了负反馈的问题。（2）针对每一个新样本到来都需要计算所有参数及其维度的问题,采用了随机变分推断的方法。这个方法利用到指数族特性,已经证明可以节约计算时间。（3）针对样本数据量巨大,导致提前设置的主题数无法拟合新样本的问题,引入了Dirichlet非参模型。它可以自适应主题数,极大的利用了新样本数据。（4）为了判断用户转发微博是受内容还是作者影响,在Possion分解中引入了变量。它作为作者向量的权重,在所有参数收敛之后,用来观察用户转发的偏好。本文先讨论了微博转发的研究背景和实际意义,之后讨论了一些传统方法及其存在的缺点,然后在第二章介绍了概率图模型和它的求解方法。一个基于高斯分解的模型,并且介绍了Dirichlet过程以及它的非参特性,这将在第三章讲解我们的模型中至关重要。之后讨论了随机变分方法,它用来求解我们的模型。本文以微博转发数据作为数据集,即用户转发记录和微博文本内容。在测试集中预测用户转发的概率,以F1值和NDCG,m AP作为指标来评价模型。用F-FFM方法,F-Diff方法,和IBPF方法为参照基准来进行对比实验。从实验结果可以看出,本文采用的模型相比于IBPF方法在评价指标上分别提高了23%,2.6%,6%,相比于F-Diff方法在评价指标上分别提高了14.3%,7.3%和2.1%。而且通过观察变量,可以从主题维度解释本文模型在用户转发上确实受主题影响。