微博用戶 影響力分析作為社交網(wǎng)絡(luò)分析的重要組成部分，一直受到研究人員的關(guān)注。針對(duì)現(xiàn)有研究工作分析用戶行為時(shí)間性的不足和忽略用戶與參與話題之間關(guān)聯(lián)性等問題，提出了一種面向微博話題的用戶影響力分祈算法一基于 話題和傳播能力的用戶排序（TSRank）算法。首先，基于微博話題分析用戶轉(zhuǎn)發(fā)行為時(shí)間性，進(jìn)一步構(gòu)建用戶轉(zhuǎn)發(fā)和用戶博文轉(zhuǎn)發(fā)兩種話題轉(zhuǎn)發(fā)關(guān)系網(wǎng)絡(luò)，預(yù)測(cè)用戶話題信息傳播能力;然后，分析用戶個(gè)人歷史微博和背景話題微博文本內(nèi)容，挖掘用戶與背景話題之間的關(guān)聯(lián)性;最后，綜合考慮用戶話題信息傳播能力以及用戶與背景話題間關(guān)聯(lián)性計(jì)算微博用戶影響力。爬取新浪微博真實(shí)話題數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，話題關(guān)聯(lián)度更高用戶的話題轉(zhuǎn)發(fā)量明顯大于關(guān)聯(lián)度很低的用戶，引入用戶轉(zhuǎn)發(fā)行為時(shí)間性相比無轉(zhuǎn)發(fā)時(shí)間性，TSRank算法的捕獲率（CR）提高了18.7%，進(jìn)一步與典型影響力分析算法WBRank、TitterRank和PageRank相比， TSRank算法在準(zhǔn)確率和召回率。上分別提高了5.9%、8.7%、13.1%和6.7%9.1%、14.2%，驗(yàn)證了TSRank算法的有效性。該研究成果對(duì)社交網(wǎng)絡(luò)的社會(huì)屬性、話題傳播等理論研究以及好友推薦、輿情監(jiān)控等應(yīng)用研究具有支撐作用。