针对当前图摘要方法压缩率较高，图压缩算法无法直接被用于下游任务分析的问题，提出一种图摘要与图压缩的融合算法，即基于节点相似性分组与图压缩的图摘要算法（GSNSC）。首先，初始化节点为超节点，并根据相似度对超节点分组；其次，将每个组的超节点合并，直到达到指定次数或指定节点数；再次，在超节点之间添加超边和校正边以恢复原始图；最后，对于图压缩部分，判断对每个超节点的邻接边压缩和摘要的代价，并选择二者中代价较小的执行。在Web-NotreDame、Web-Google和Web-Berkstan等6个数据集上进行了图压缩率和图查询实验。实验结果表明，在6个数据集上，与SLUGGER（Scalable Lossless sUmmarization of Graphs with HiERarchy）算法相比，所提算法的压缩率至少降低了23个百分点；与SWeG（Summarization of Web-scale Graphs）算法相比，所提算法的压缩率至少降低了13个百分点；在Web-NotreDame数据集上，所提算法的度误差比SWeG降低了41.6%。以上验证了所提算法具有更好的图压缩率和图查询准确度。

很多传统社区检测方法大多局限于单关系网络，适用性和准确性均较弱。针对此问题，提出了一种针对多关系网络的社区检测方法。首先，为进行多关系网络建模，使用了三阶邻接张量，其中张量的每个切片表示与参与者之间一种类型的关系相对应的邻接矩阵。从数据表示的角度，将多关系网络解读为三阶张量利于将因子分解方法作为学习方法使用。然后，应用RESCAL分解作为关系学习的工具，从而揭示参与者的唯一隐性表征。最后，在上一步得到的结果上应用进化K均值聚类算法，以确定多维度上的社区结构。在一个合成数据集和两个公开数据集上进行实验。实验结果表明，与基于上下文信息的社区检测（CICD）方法、Memetic方法和局部谱聚类（LSC）方法相比，所提方法的纯度最少提高了5个百分点，重叠归一化互信息（ONMI）最少提高了2个百分点，F得分最少提高了3个百分点，并且验证了该方法具有较快的收敛速度。

微博的传播效果研究对于提高市场营销效率、加强舆情监控和准确发现热点具有重要作用。针对以前传播效果研究中未考虑用户个体差异的问题，提出一种基于行为分析的微博转发规模和传播深度预测方法。从微博用户自身、用户关系和微博内容3个方面提取9个相关特征，结合逻辑回归（LR）方法提出一种转发行为预测模型，并基于此模型结合信息沿用户传播特点，通过逐级对相邻用户迭代统计分析得到转发规模和传播深度预测方法。在新浪微博数据集上的实验结果表明，所提方法对转发规模和传播深度预测的正确率分别约为87.1%和81.6%，能较好地预测出信息传播效果。