社交网络上数据模态的日趋丰富为利用多模态进行数据挖掘提供了机遇与挑战。作为新兴社交网络之一,社交策展网络吸引了大量用户在其上策划、展示物品(即采集)以分享兴趣。其以内容为中心、以兴趣为驱动的特点使得在其上利用采集的多模态数据建立用户模型、分析用户兴趣相比于其它社交网络更具有必要性和可行性。本文研究了社交策展网络上多模态数据的表示方法及其应用,主要工作包括:1、提出了一种融合多模态相似性与分类一致性的用户推荐算法。首先用转采链上的用户行为与内容信息给出采集两种模态的表示,并度量采集间多模态联合相似性,进而融合共有采集间的多模态联合相似性与对共有采集的分类一致性来度量用户间同质性,最后根据用户间同质性推荐关注用户。实验表明,该算法优于基于共有采集数的推荐算法。2、提出了一套基于深度学习的多模态表示框架。先用深度学习分别学得采集的图像与文本表示,其中图像表示学习所用数据集利用转采树自动标注,再将两种模态表示用深层模型融合得到采集的多模态联合表示。实验表明,多模态联合表示可以比单模态表示更有效地预测采集的兴趣分布。3、建立了三种基于多模态表示的画板及用户模型。其中兴趣分布模型为采集的兴趣分布的平均,刻画了社交策展网络上的用户个性化;另两种模型将不同数量采集的表示转化为固定维数的向量以表示画板及用户。4、提出了一系列基于多模态表示的推荐算法。分别进行采集推荐、画板缩略图推荐、画板分类推荐、画板及用户推荐。实验验证了这些算法的可用性,并同时验证了采集的多模态表示与画板及用户模型的性能。