互联网科技的蓬勃发展使得社交网络已成为人们之间相互沟通、社交等活动的重要手段。虚拟世界与现实世界已在不知不觉中相互交融并相互影响,过往人和人之间面对面的信任关系已延伸至网络。社交网络在给人们的生活带来便利和趣味的同时,也引发了很多的困扰和威胁。社交失信事件时有发生,社交用户的信用情况愈来愈引起人们的关注。如何监管网络环境,规范、约束网民的行为成为目前需要面对的重大问题,这个问题的解决对我国网络诚信监管建设具有重要的意义。论文通过对现有信贷个人信用评估模型研究发现,单一的信用评估模型已趋向成熟,很难再有突破和扩展;而且很多的研究证明单一的信用评估模型弊端凸显,通过集成学习,可以使单一模型进行互补,极大的改善单一模型的预测精度和稳定性等性能,但是当单一模型数量过大时,会出现样本学习时间过长,导致信用评估效率下降,也加大了机器存储空间的要求。针对这些问题,“选择性集成”的思想又被提出。选择性集成方法目前已经被应用到很多的领域,并且均取得了较好的研究成果,但是在个人信用评估领域,研究成果相对来说还是较少,因此将选择性集成方法应用于个人信用评估领域有很大的研究空间。针对社交网络存在的网络诚信问题,论文以新浪微博为研究对象,把“选择性集成”的思想引入到微博信用评估领域,论文的主要工作内容如下:(1)结合微博平台特点及现有评估指标体系存在的问题,重建了信用评估指标体系,通过对比实验验证了该指标体系的有效性;(2)将选择性集成学习的思想引入到微博用户信用评估领域,提出一种基于K-means聚类和萤火虫群优化选择的KGSO选择性集成算法;(3)将KGSO选择性集成算法应用到微博用户信用评估中,并通过对比实验验证了KGSO算法的有效性和优越性;