在社交网络中,对用户群体行为、信息传播机制进行研究已经成为当前研究的热点。随着社会的不断进步以及互联网的快速发展,在线社交网络成为信息共享与快速传播的重要途径。社交网络中用户的在线行为以及信息传播规律的研究对于舆情管控、网络营销、发现关键用户等方面具有重要意义。本文从显式链接和隐式链接两个层面分析用户行为规律,感知信息传播趋势。在显式链接层面,本文通过社交网络中的好友关系构建网络拓扑结构,基于改进布谷鸟搜索算法优化支持向量机(Improved Cuckoo Search Algorithm Optimization Support Vector Machine,ICS-SVM)方法预测用户转发行为;在隐式链接层面,本文发现影响用户参与话题讨论的因素,不仅与用户周围的好友有关,即显链接,也和用户关系密切或爱好相同的非好友有关,即隐链接。所以本文利用机器学习的方法构建隐链接,完善网络拓扑结构,结合传染病模型,感知信息传播态势。主要研究工作如下:1.在显式链接层面,本文针对目前用户转发行为预测的研究主要集中在社交网络的属性及网络特征方面,没有充分考虑用户好友之间的影响以及用户历史行为规律性影响的问题,本文设计了一种预测用户行为的方法。首先,根据抓取的微博数据,提取社交网络中用户个体属性和外界属性。其次,利用改进布谷鸟搜索算法优化支持向量机(Support Vector Machine,SVM)的参数,进而能够更精确地预测用户转发行为。最后,针对用户的转发行为随时间变化的特点,本文利用时间切片的方法,感知信息传播趋势。2.在隐式链接层面,本文针对目前研究主要集中于已有的显性好友拓扑结构,忽略了隐性好友对信息传播影响的问题,本文设计了一种信息传播动力学模型。首先,基于非好友之间交互紧密度等因素,利用机器学习方法,判断非好友之间是否存在隐链接,进而完善网络拓扑结构。其次,在完善的网络拓扑结构中,本文提取个体驱动机制和好友驱动机制,分析个体影响力和好友影响力两个信息动力学成因,提出一种多元线性回归模型来度量社交影响力,进而分析热点话题的传播态势。最后,在传染病模型中,综合考虑热点话题传播的时效性和不确定性,引入平均场理论,得到一种基于隐链接和社交影响力的信息传播模型。本论文使用腾讯微博真实数据验证所提出的模型及方法。实验验证了ICS-SVM方法能够更加精确地预测用户转发行为,证明了隐链接在影响信息传播中的作用以及实验能够挖掘影响信息传播的动力学成因,进而感知信息传播趋势。