异构信息网络能够有效地融合网络中不同类型对象、不同的交互语义等全面的结构信息和丰富的语义信息,其分析有助于网络中排名、分类、聚类、关系预测等数据挖掘任务,正在成为一个新的研究热点。其中双Hub型异构信息网络结构特殊,由两个子网组成,子网与子网间藉由Hub实体关联在一起。对于此类异构网络,Hub实体间的关系预测对于实体间个性化推荐具有较为重要意义。本文以一种融合了社交关系子网和信息子网的双Hub型异构信息网络为主要研究对象,提出了群体性节点影响力、用户偏好基因和用户-项目兴趣度排名三阶段分析方法,并以豆瓣电影网为实验数据,最终完成社交关系子网中和电影信息子网中的Hub实体间关系预测。首先,本文研究了信息子网中群体性节点影响力问题,提出了用户关注信息介入下的随机游走节点影响力分析模型——AI-RWM模型。该模型采用类型和拓扑双驱动的随机游走模型进行节点影响力分析;进一步地在拓扑驱动的随机游走中介入社交子网中用户关注信息以关联节点影响力与用户关注度;同时,采用随机的转移概率机制优化了无关注节点。一系列对照实验说明,AI-RWM模型中引入用户关注信息能够使得信息子网中节点影响力排名避免数量敏感缺陷,又能结合了用户群体兴趣,使得排名更全面。其次,本文研究了异构信息网络中用户偏好基因问题,分析了基于元路径下的“项目”节点对和“用户”节点对相似性,并提出了基于元路径的用户偏好基因模型——MPATH-GENE模型。该模型以用户关联的信息子网为分析对象,先利用HeteSim算法计算“项目”节点与其所有属性类型节点间相关性;然后将相关性转换为链接权重,计算出所有“项目”节点对间的最短路径;最后将路径抽象成元路径,通过分析元路径权重计算出用户偏好基因。实验证明基于元路径的用户相似性与偏好基因提取之间的一致性。最后,本文研究了 Hub实体间关系预测问题,提出了基于随机游走的用户-项目兴趣度排名模型——UII-RWM模型。该模型充分结合了 AI-RWM模型提取的信息子网中群体性节点影响力和MPATH-GENE模型提取的用户偏好基因这两个方面来进行双类型随机游走节点影响力分析;同时,在拓扑驱动的随机游走中引入了协同过滤思想,设计了基于用户相似性的项目关注度填充方法,通过随机游走完成面向特定用户的用户-项目兴趣度排名,由此完成特定用户与项目间的关系预测。多组对照实验证明该模型具有一定的准确性。