现有谣言检测工作存在以下问题：1）没有同时捕获评论序列的文本语义特征和时间周期特征；2）在隐私保护环境下无法获取用户个人资料，导致传播结构中的信息难以充分融合。为此，提出融合评论序列二义性与生成用户隐私特征的谣言检测模型（RD-CSGU）。综合考虑了评论序列不同视角下的文本语义特征和时间周期特征，同时构建了反映传播过程中用户之间社交互动关系的谣言传播异质网络，并基于该网络中的语义关系通过生成对抗网络（GAN）生成用户的隐私特征，解决了用户个人资料访问受限的问题。在Twitter15、Twitter16、Weibo数据集上展开有效性验证，与次优基线模型GLAN（Global-Local Attention Network）相比，RD-CSGU的准确率（Acc）分别提升了0.9、2.2和1.8个百分点，真谣言F1（TR-F1）值分别提升了2.6、6.8和1.9个百分点；结合消融实验及GAN生成嵌入分析的实验结果表明，RD-CSGU能有效检测出社交媒体平台上发布的谣言帖子。

多视图聚类由于能从多个角度利用数据的信息引起了广泛的关注。然而，目前的多视图聚类算法普遍存在以下几个问题：1）专注数据的属性特征或结构特征，没有充分结合这两种信息，以提高潜在嵌入的质量；2）基于图神经网络的方法虽然能同时利用属性和结构数据，但是基于图卷积或图注意力的模型在网络层数过深时会产生过度平滑的问题。为了解决以上问题，提出一个图对比学习引导的多视图聚类网络（MCNGCL）。首先，使用多视图自编码器模块捕捉每个视图的私有表示；其次，通过自适应加权融合构造公共表示；再次，结合图对比学习模块，使相邻节点在聚类时更容易被划分为同簇，同时缓解网络在聚合邻居节点信息时产生的过度平滑的问题；最后，使用自监督聚类模块，使公共表示和视图的私有表示向有利于聚类的方向优化。实验结果表明，MCNGCL在多个数据集上都取得了不错的效果，在3sources数据集上，与次优的CMGEC（Consistent Multiple Graph Embedding for multi-view Clustering）相比，MCNGCL的准确率指标提升了2.83个百分点，规范化互信息（NMI）指标提升了3.70个百分点；消融实验和参数敏感性分析结果也验证了MCNGCL的有效性。

针对异质信息网络中的影响力最大化（IM）问题，提出了一种基于有向无环图（DAG）的影响力最大化算法（DAGIM）。首先基于DAG结构度量节点的影响力，然后采用边际增益策略选择影响力最大的节点。DAG结构表达力强，不仅描述了不同类型节点之间的显性关系，也刻画了节点之间的隐性关系，较完整地保留了网络的异质信息。在三个真实数据集上的实验结果验证所提DAGIM的性能优于Degree、PageRank、局部有向无环图（LDAG）以及基于元路径的信息熵（MPIE）算法。

超链路预测是利用已观测到网络的特性来复现网络中缺失的链路。现有的超链路预测算法通常利用整个网络来进行预测，预测结果会遗漏训练样本数据较少的链路类别，导致预测种类不够全面。为了解决这个问题，提出了基于聚类的超链路预测算法C-CMM，首先对数据集进行聚类分簇，进而对每一个簇建立模型进行超链路预测。所提算法能够充分利用各个簇的观察样本所蕴含的信息，扩大预测结果覆盖的类别。在三个真实数据集上的实验结果表明，C-CMM和多个先进的链路预测算法相比具有更高的预测精度和效率，同时其预测覆盖种类也更加全面。