符号网络是一类具有符号属性的复杂网络,其连边上正与负的符号可以表示节点间积极与消极的属性。例如现实系统中的态度信息和人与人之间的关系信息就可以抽象为符号进行研究。能够引入这些信息使得符号网络成为复杂网络近些年来的热门研究领域之一,本文关注的是符号网络上的推荐及传播问题。提出了一种考虑符号信息,适用于符号网络上的推荐算法。对于传播来讲,符号网络相对于一般网络特有的稳定性会对传播规模有着怎样的影响是本文分析和研究的问题。本文提出了基于符号信息的推荐算法。经典推荐算法只考虑了结构信息,给出了不存在的边出现在推荐列表中的优先级。现实系统中,不仅要结合用户的历史购买行为来推荐下一次需要购买的物品,还要考虑所推荐的物品是否使顾客满意。基于这种思想,本文中提出的算法利用符号二分网络中的结构,定义一项指标来预测推荐边符号为正的可能性。将这项指标作为一种新的评分降序排列得到考虑符号信息的推荐列表,使得推荐的结果不仅贴合用户的历史购买行为而且使得被推荐的物品是更可能被用户喜欢的。接下来,在三个实际数据集上对本文提出的算法进行测试,并与四种经典推荐算法的评价指标结果进行对比,结果显示符号网络上的推荐算法在避免符号为负的推荐边被优先推荐的准确性(Ranking Score)上可以最少提高两倍,多样性和新颖度(Novelty)上相比经典的推荐算法也均有所提升。在本论文关注的另一个问题——符号网络的传播研究中,本文讨论的是符号网络的稳定性对传播规模的影响。为了研究这一问题,我们首先需要解决如何生成不同稳定性的符号网络。现有研究中缺乏对于不同稳定性指标网络的生成模型,本文首先在这个工作上做了一些初步尝试,采用小世界网络为网络结构基础,固定网络中的正负边比例,向网络中的边随机赋予正负符号来生成不同稳定性的人工网络。定义接触概率来衡量节点间关系的程度,通过接触概率与传染概率的结合来将每两个节点之间的传染概率差异化。然后利用SIR模型进行传播数值模拟,最终结果证明符号网络稳定性在特定范围内的传染概率下会对传播范围产生影响,而在过高或过低的传染概率下,影响不明显。在特定的传染概率下,网络稳定性越高,传播范围越广;网络稳定性越低,传播范围越小。