研究目的：在线社交网络的动态群组形成具有在线即时、信息突发和传播迅速等特点，在大数据环境下及时发现有用的群组内的信息，是本专业的一项富有挑战性的工作。本文引用描述用户关系的逻辑模型(Follow Model，简称“粉丝模型”)，结合文章映射和化简(MapReduce)概念，探讨映射关注和化简粉丝(MapFollowee & ReduceFollower)机制在Hadoop系统联机实现的算法。
创新要点：在线社交网络的研究缺乏使用和方便的基础理论模型，粉丝模型(Follow Model)的建立，为研究动态群组查询和微博转发预测等提供有效的元模型。结合映射和化简(MapReduce)理念，本文算法为在线社交网络动态群组的查询，即大数据的动态查询，提供并行计算的实用性算法。
方法提亮：组成粉丝模型（Follow Model）的各类函数把微博用户关系简洁和准确地描述出来，同时具备以下三个特点：反对称与对称性、可扩展性和可组合性。这些特性的灵活应用，形成本文提出的两大类查询算法：反对称关系查询算法（reverse relation）和高阶关系查询算法（high-order relation）。
重要结论：本文研究在线社交网络，特别是Twitter和新浪微博平台的动态群组形成机理，提出描述用户间关系的逻辑模型，即粉丝模型。将此模型结合映射和化简理念，提出对这些动态群组信息查询的并行算法。特别是通过对Twitter平台内两个群组信息查询的实际检验，展示大数据环境下本文算法的有效性。

关键词： 粉丝模型,  Hadoop,  映射和化简,  信息查询,  Twitter微博