为融合节点描述信息提升网络表示学习质量，针对社会网络中节点描述属性信息存在的语义信息分散和不完备性问题，提出一种融合节点描述属性的网络表示（NPA-NRL）学习算法。首先，对属性信息进行独热编码，并引入随机扰动的数据集增强策略解决属性信息不完备问题；然后，将属性编码和结构编码拼接作为深度神经网络输入，实现两方面信息的相互补充制约；最后，设计了基于网络同质性的属性相似性度量函数和基于SkipGram模型的结构相似性度量函数，通过联合训练实现融合语义信息挖掘。在GPLUS、OKLAHOMA和UNC三个真实网络数据集上的实验结果表明，和经典的DeepWalk、TADW（Text-Associated DeepWalk）、UPP-SNE（User Profile Preserving Social Network Embedding）和SNE（Social Network Embedding）算法相比，NPA-NRL算法的链路预测AUC（Area Under Curve of ROC）值平均提升2.75%，节点分类F1值平均提升7.10%。

针对主观分配属性项权重的方法忽视了各属性项在身份匹配的应用领域中具有的特殊含义与作用，导致识别准确率低的问题，提出了一种基于信息熵的跨网络用户身份识别算法（IE-MSNUIA）。首先，该算法分析不同属性项的数据类型及物理含义，相应地采用不同的相似度计算方法；然后根据各属性的信息熵值赋予权值，进而充分挖掘各属性的潜在信息；最后融合各个属性进行决策判定账号是否匹配。理论分析和实验结果表明，与机器学习算法和主观赋权算法相比，所提算法的各个性能参数值均有所提升，在不同数据集上的平均准确率可以达到97.2%，平均召回率达到94.1%，平均综合性能值达到95.6%，可以准确地识别出用户在不同社交网络中的多个账号身份。

许多链路预测方法仅仅关注预测的准确度衡量指标，忽略了精确度衡量标准在实际应用中的重要作用，且没有考虑共同邻居与预测节点间紧密度对相似性刻画的影响。针对上述问题，提出了一种基于拓扑连接紧密度的相似性链路预测算法。该方法通过局部拓扑结构定义共同邻居紧密度，并引入参数调节不同网络中紧密程度，最终刻画网络节点间的相似度。6个实际网络测试表明，相比共同邻居（CN）、资源分配（RA）、Adamic-Adar（AA）、局部路径（LP）、Katz等相似性指标，该算法提升了链路预测的预测精度。

针对传统传播模型更适用于均匀网络而无法有效应用于现实非均匀无标度社交网络的问题,提出一种基于用户局域信息的社交网络信息传播模型。模型中考虑了无标度网络中用户间拓扑特征差异和用户影响力不同对信息传播的影响,根据节点周边邻居节点的感染情况和权威性计算感染概率,模拟现实社交网络中的信息传播情况。通过在采集的真实微博网络数据上进行仿真实验,结果表明该模型较传统的SIR模型更能体现社交网络中信息传播的快速性与范围的广泛性;同时,通过调整模型中的相关参数,验证了相关管控措施对传播效果的影响。