根据《微博用户特征量增长规律研究》的分析获取的实际微博用户特征量时间数据，发现总体上各用户特征量均呈线性增长，取整后的增长率呈幂律分布。
基于向量余弦相似性的K-MEANS聚类算法，本文提出一种分析微博用户特征量增长模式的计算方法，并通过对不同排序和不同初始规模实际用户特征量的时间序列进行聚类分析，得到了若干有指导意义的结论：
1）用户特征量的增长模式与用户特征量的初始、最终规模以及增速都密切相关；
2）粉丝数和微博数高的用户增长主要以持续均衡增长为主，而关注数高的用户中持续 增长用户比重并不占明显优势，存在大量前期爆发式和阶跃式增长用户；
3）增速高的用户明显以爆发式增长模式为主，尤其后期爆发式增长用户明显偏多；
4）初始规模低的用户中爆发式增长用户比重明显偏多，而初始规模高的用户中增长更趋向持续平稳增长，这种现象在微博数中表现最为明显．最后，本文通过对一个典型用户粉丝数爆发增长的过程分析， 发现主要原因是用户现实生活发生公众关注事件的反映。
本文为研究用户特征量的增长规律提供了新的思路，如何使用准确的数学模型拟合和预测用户特征量的增长趋势，是一个值得深入研究的课题，作者正在尝试使用Logistic模型拟合解决这个问题。
另外，本文探讨了微博用户特征量增长模式等问题，但在解释用户特征量增长的深层原因方面仍有待进一步研究。
例如，由于本文采集数据时未能获取用户增长的粉丝用户的具体信息，因此还无法分析这些粉丝数增速高的用户中所增长粉丝用户的活跃度等信息，也无法验证不活跃的用户在增长的粉丝用户中所占比例；同时对僵尸用户在用户粉丝增长中所占的比例也值得分析。