针对在社交网络中挖掘意见领袖时存在的计算复杂度高的难题，提出了一种基于K核分解的意见领袖识别算法CR。首先，基于K核分解方法获取社交网络中的意见领袖候选集，以缩小识别意见领袖的数据规模；然后，提出包括位置相似性和邻居相似性的用户相似性的概念，利用K核值、入度数、平均K核变化率和用户追随者个数计算用户相似性，并根据用户相似性对候选集中的用户计算全局影响力；最后，根据用户全局影响力对意见领袖候选集中的用户进行排序，从而识别意见领袖。在实验部分使用独立级联模型（ICM）预测的用户影响力和中心性两种评价指标在三个大小不同的真实数据集上对所提算法选出的意见领袖集进行评估，并将该算法与其他三种识别意见领袖的算法对比，结果表明该算法选出的影响力Top-15的用户平均影响力以21.442高于其他三个算法。另外，与四种与K核相关的算法做相关性指标对比的结果表明，CandidateRank算法总体来说效果较好。综上，CandidateRank算法在降低计算复杂度的同时提高了准确性。

针对社会网络中用户群组准确发现难题,提出了一种基于信任链的用户主题群组发现方法.该方法包括3个部分:主题空间发现、群组核心用户发现和主题群组发现.首先,给出了社会网络主题群组的相关形式化定义;然后,通过主题相关度计算发现主题空间,并给出主题空间上用户兴趣度计算方法;其次,提出原子、串联和并联信任链计算模型,并给出主题空间上的信任链计算方法;最后,分别给出主题空间发现算法、核心用户发现算法和主题群组发现算法.实验结果表明,提出的用户群组发现算法相比基于兴趣度的群组发现算法和边紧密度群组发现算法,平均准确率提升4.1%和11.3%,能够有效提升用户群组组织的准确度,在社会网络用户分类识别方面具有较好的应用价值.