近年来，随着互联网的飞速发展，社交网络逐渐成为人与人之间交互的重要途径和平台，全方位的为人类的生活、工作、娱乐等行为带来了便利，伴随这个过程，互联网同时也产生了大量的数据，这也推动了社交网络挖掘相关工作的发展，借助相关知识，研究者们可以对社交网络中的用户行为进行建模，并对网络中可能发生的事件等进行分析和预测，因此社交网络挖掘也成为数据挖掘领域一个重要的课题。然而，相比于传统的普通静态网络，现实中的社交网络具有动态、多元异构的复杂特性，即网络中的用户和信息是在不断变化且存在于非单一网络中的，传统的一些基于统计概率学理论的网络建模方法难以很好的捕捉网络的这些特性。近年来，随着深度学习理论和技术的发展，基于神经网络的方法越来越多的应用在网络数据建模问题上，这为更好的捕捉复杂社交网络的相关特性提供了研究可能性。尽管现有的一些方法有效合理的解决了社交网络建模中的一些问题，但它们依然存在着一些局限性，在一些特定的场景下，它们并不能直接应用，因此针对这些局限性进行分析与改进工作是非常有意义的。针对如上现状，本文将从动态复杂社交网络在人力资源管理领域的两个应用点，即高潜力人才识别问题和企业组织网络建模问题人手，研究复杂社交网络建模及分析方法。论文的主要工作与贡献如下:
　　1.针对企业高潜力人才识别问题，提出一种基于神经网络的动态社交建模方法，该方法借助图神经网络与社交网络中心度分析方法，分析得出员工在企业组织社交网络中的表示，然后通过自适应LSTM网络，结合注意力机制，获得员工动态社交画像表征，从而对社交网络中的节点，即新人职员工进行分类。
　　2.针对企业组织网络建模问题，提出一种基于多网络随机游走结合注意力机制的网络嵌入方法，即在企业中多个通讯网络以及员工-部门网络上进行随机游走，融合多个网络上的结构信息，再通过注意力机制，更好的保留网络中每个节点在整体网络中的结构信息，最后学习到一个代表员工在组织社交网络中社交关系的网络表征，以此为依据完成一系列人力资源预测任务。
　　3.对于上述两个研究点，本文在合作企业的真实数据集上进行了相关的实验，实验结果表明本文所提出的模型方法是有效的，并具有一定的可解释性。