随着社交网络平台的快速发展,人们面临着对爆发性增长的社交网络数据无从选择的困境,信息过滤成为帮助人们摆脱困境的有效方法。社交网络信息可分为无用的垃圾广告信息和正常的网络数据信息。垃圾广告信息降低了用户体验,影响了社交网络上的科学研究,所以需要被滤除,这种处理称为非个性化的信息过滤。而个性化的信息过滤是指从正常的网络信息中选取对用户有益的信息进行推荐。如此不仅提升了社交网络平台的用户体验还促进其自身商业价值的提高。个性化信息过滤需要构建准确的用户兴趣模型,并且能有效的分析预测用户的兴趣变化方向。这些均以社交网络数据为研究基础,然而社交网络数据具有复杂性高、多元性、不确定性等特点,传统的机器学习方法很难很好的处理这种数据。概率图模型有效的结合了概率论和图论的优势,能够有效的处理这种不确定性问题。因此本文通过利用概率图模型方法中两种典型的方法-隐含狄利克雷分配(LDA)和概率矩阵分解(PMF)来解决社交网络中的垃圾信息过滤和用户兴趣预测问题,并以此来说明概率图模型在处理社交网络大量复杂数据的优势以及应用前景。本文主要研究内容概括如下：第一,提出一种新的基于LDA分类特征扩展的微博广告过滤方法。当前的微博垃圾广告检测过滤方法主要是基于短文本分类的方法,但其很少考虑微博文本语义、短文本特征稀疏、背景领域特征及非平衡数据集分类的问题。本文方法从解决这些问题入手,引入LDA主题模型对短文本按照其所属类别分类进行特征扩展来缓解文本特征稀疏问题；通过识别背景领域特征并降低其权重来减弱对分类性能的影响；最后对于非平衡数据集的广告过滤问题,使用欠采样(under sampling)方法解决。实验结果显示,本文方法可以更准确的识别并过滤微博中的垃圾广告信息。第二,构建了基于社交圈的用户兴趣预测方法。针对现存的用户兴趣分析方法仅根据用户历史行为信息、相似用户等对用户兴趣进行分析,很少有研究工作主动预测用户的兴趣变化的研究现状。本文通过细致的分析发现,影响用户兴趣变化的因素主要有：用户历史行为信息、用户社交关系、兴趣主题间关联关系以及用户兴趣随时间的衰减。综合以上各影响因素,基于PMF方法设计实现了基于社交圈的兴趣预测方法。综合各实验评价指标表明,本文方法在用户兴趣预测准确率上较当前的兴趣预测方法有了一定的提升。