社交网络的蓬勃发展丰富了人与人之间的社交关系,推特作为一种主流的社交工具,蕴含着海量活跃账号以及这些账号发表的推文。对推特账号的分类研究有利于人们从海量推特账号中挖掘出感兴趣的账号,进而根据不同的账号类别做差异性处理。现有的研究中,对于推特账号的分类方法主要还是使用账号的基本属性特征或者推文文本特征,这些分类方法忽略了推特账号的社交网络结构特征,而账号的社交网络结构特征能够反映出账号的基本社交关系以及账号之间的相互影响,充分利用社交网络结构特征有利于提高账号分类的效果。本文借鉴复杂网络思想,利用社交网络结构特征,将推特社交网络分类问题转化为复杂网络分析问题,从而实现社交网络账号分类。本文的主要工作与创新概括如下:(1)根据推特社交网络中的不同社交行为,提出了一种异质网络构建方法。本方法引入了账号、推文、事件、人物以及hashtag这5种类型的节点,并从原始推特数据中挖掘出这些节点之间的连接关系,从而形成了一个能够反映推特社交关系的异质网络。这一异质网络包含着账号的社交网络结构特征,是后续进行账号分类任务的基础。(2)基于构建的异质网络,提出了一种直推式学习的账号分类方法。相比于归纳学习方法,直推式学习不仅可以利用已知训练样本数据,还可以利用未标记的样本之间的聚簇关系,适用于训练样本不够充分的应用场景。本文根据异质网络中账号的不同社交行为,可以提取出不同类型的元路径来构建账号之间的影响关系矩阵,进而将已知样本的标签信息扩散到异质网络中的其他节点。(3)提出了一种异质网络表示学习方法。异质网络包含了丰富的节点网络结构特征,将这些特征提取出来并形成节点的特征向量可以有助于提高账号分类的性能。本文提出了异质网络随机跳跃算法,用来挖掘异质网络中节点的上下文关系,进而训练表示学习模型,从中提取出节点的网络结构特征。实验结果表明异质网络表示学习方法能够实现较好的账号分类效果。