当今社会正处在科技水平高速发展的时代,就如习近平总书记讲话中提到的:“推动媒体融合发展、建设全媒体成为我们面临的一项紧迫课程。”在众多的网络社交平台中,微博是人进行社会社交、意见发表、信息获取,以及主题谈论的重要的虚拟社交平台,微博拥有极庞大的用户资源,在微博中所产生的网络舆情,对我们的现实生活也产生了巨大的影响。因此,在这种网络舆情形式紧张的状况下,对于网络舆论的监控也就尤为重要,而意见领袖与潜在意见领袖在舆论的演变中起到了至关重要的作用,本文将针对微博中潜在意见领袖的预测展开研究。在实验方法上,我们采用了机器学习的算法来完成本实验。选用了微博用户的人格特征、主题特征、文本特征、用户微博质量以及用户微博主题专注度这五类特征作为用户标签。人格特征部分选用了大五人格模型,该模型应用广泛,体系完整,包含了外向型、开放型、宜人型、责任型、神经质型这五种人格;根据微博后台对主题的分类,挑选了旅游、摄影、电影、时尚、音乐、教育等18种主题作为用户主题特征,由于微博文本属于短文本,本实验选择LDA主题模型提取用户微博主题。目前对于意见领袖或潜在意见领袖的研究,是从用户社交关系或表层数据等现象入手,本文针对传播学中对于意见领袖的定义,根据潜在意见领袖个体的本质特征展开研究,做了如下工作:重新定义了潜在意见领袖,具体指的是:粉丝数、评论数或转发数还未达到意见领袖标准,但具备成为意见领袖的潜力与特质的用户。潜在意见领袖的作用是继意见领袖之后对信息或舆论导向起到推动或引导作用。使用微博用户搜索引擎获取意见领袖微博数据,根据微博评论数在时间上的分布情况,确定用户在成为意见领袖之前的微博文本数据。预选18类微博主题标签,利用LDA主题模型对用户进行主题提取。采用大五人格量表对部分微博用户进行问卷调查,结合人工标注的方式,根据用户基本属性信息与微博文本特征,对用户人格进行识别。通过六种分类算法:决策树、KNN、GBDT、Xgboost以及集成学习类的随机森林,通过训练分类模型,预测用户人格特质,最终KNN分类模型分类效果最好,准确率结果为0.88。通过对用户微博主题的统计,得到用户微博主题中各类别的微博个数,计算用户在主题选择上的专注度的值,数值越小,表明用户在主题的选择上更加集中,主题类别越突出。将搜集到的用户微博,按照原创纯文本微博、原创图文微博以及转发微博三种类型分类,统计得到各类微博数,结合意见领袖各类微博的转发数,为这三种类别附加权重,计算得出用户微博的质量值,质量越高表明对其他用户的吸引力越大。根据我们得到的五大类微博用户特征,采用决策树、KNN和SVM这三种分类模型,训练集按照人格与主题标签的有无分为了四类。结果显示人格与主题标签同时存在时分类效果最好,SVM分类模型的F1值为81.13,当缺少人格与主题标签时,分类效果最差,三种分类模型的F1值仅在0.55左右。由此证明人格与主题特征之间存在相关关联,为今后的潜在意见领袖或意见领袖研究打开了新的思路,奠定了坚实基础。