随着互联网和社交媒体的迅速发展,用户在社交媒体上产生了大量数据,营造了活跃的网络环境,这些数据所包含的信息在社交媒体的庞大网络中传播和流动,为人们了解和挖掘社交媒体的潜在规律提供了基础。通过发现社交媒体上的因果关系网络,可以得出其中的相互影响所遵从的隐含因果关系,反映信息的流动,为预测和引导舆论提供帮助。社交媒体是一个复杂的系统,由于具有时效性,因此高维下的时序因果关系网络推断算法研究是社交媒体因果关系发现的重要问题。以往因果关系发现领域的研究重点多在非时序的范畴,静态的非时序因果关系发现算法不能刻画随机过程之间的影响传播。已有学者在动态系统的因果关系发现上取得了一些成果,例如传递熵、CSE等重要算法,然而这些方法存在一定的局限性,传递熵基于双变量做因果推断,在扩展到高维情况下会产生大量冗余因果关系,CSE也因为只研究上一时刻的影响来确定因果关系,所以容易对那些影响有延迟的随机过程的信息传递估计欠缺,进而导致发现出的因果关系网络不准确。为此,社交媒体因果关系发现问题需要研究如何得到包含直接因果关系、准确估计原因节点的信息传递、消除冗余因果边的因果网络,描述社交媒体上信息流动的真实情况。本文针对以上问题提出了一种推断社交媒体直接因果关系网络的方法。该方法基于时间序列数据进行建模,用时序因果模型来表示社交媒体信息在时间维度上的传递,为了拟合这种时序上的信息传递,在模型中引入了因果影响延迟和充分影响长度。在模型选择策略上,按照最小描述长度准则来选择模型,平衡模型复杂度和模型对数据的拟合程度来求解模型参数。参数学习策略是一个启发式学习过程,首先对节点自身影响进行准确估计,然后在已知自身影响的条件下,搜索其他节点,通过因果关系显著性检验来判断候选原因节点。在发现原因节点的过程中,将已知原因节点集合作为条件节点集,用于消除非直接因果关系。学习过程中迭代计算充分影响长度,直到时间足够久远,影响消失,保证对因果影响传递的充分估计。最后为了进一步降低因果网络冗余程度,对模型进行回溯剪枝。本文采用了模拟数据集对本文算法和对比方法进行多组实验,结果表明本文算法的有效性和准确性优于对比方法,能够发现直接因果关系网络,并且具有稳定性和鲁棒性。通过新浪微博数据对算法进行用户因果关系和话题因果关系发现的实验,结果证明本文算法消除了显式关系中的非真实影响,符合实际场景。另外,还能帮助我们发现一些隐含的结论,揭示社交媒体背后的影响规律。