随着移动设备的不断普及,各类社交应用层出不穷,也因此陷入了激烈的市场竞争。只有不断提升自己的内容推荐质量,才能从众多应用中脱颖而出。然而当应用中用户的好友数目较少或浏览频次不多时,就会导致应用的内容质量不佳。目前人们更倾向于同时使用多款应用,这些应用能提供不同的用户信息。通过跨网络的用户信息获取,能有效地对本应用的用户信息进行完善,从而提升内容板块的推荐质量。因此,本文考虑社交网络的结构特征,从邻域信息、社区信息等多视角出发,设计了两种跨网络的用户关联方法,其主要内容如下:为了让好友推送板块的内容不再局限于本平台的好友信息,实现跨平台的好友推荐,本文提出了基于邻域信息的用户关联三支决策方法。首先通过随机游走和skip-gram模型将抽象的网络结构转换成低维的用户节点向量表示。然后考虑到邻域结构在社交网络中的重要作用,从邻域视角出发设计了一个衡量节点重要性的指标用于选择性地接受用户的各阶邻域信息,并构造了用户节点的多粒度向量表示。接着融合来自不同社交网络的用户信息,同时利用三支决策延迟决策的优势,从最粗粒度上开始用户分类判断,将无法区分的用户对象转入下一粒层进行再分类。该方法降低了用户误分类风险,实现了更为准确地跨网络用户关联。对于个性化推荐板块而言,精准知晓用户的偏好能有效地提升该板块的内容质量。为了实现完整的用户画像,本文提出了基于社区信息的用户关联集成学习方法。在各类应用中,用户因为兴趣爱好加入了不同的“小圈子”,社区结构同样在网络中占据着重要位置。为此,本文首先利用模块度指标进行社区划分并构造用户的社区向量,同时为了消除网络结构差异的影响,从用户的自身信息、邻域信息和社区信息等多角度出发,构造了不同的基分类器,然后结合可变熵模型与改进的EDAS方法设计了一种自适应选择机制,以此对基分类器进行筛选并集成。该方法自动选择了有效的结构信息进行融合,快速地搭建了不同网络间沟通的桥梁。综上,本文从邻域、社区等多视角对用户进行表征并实现跨网络的用户关联,为相关研究提供了理论层面的借鉴和参考。同时,能够指导各类社交应用对自己的“好友推送”、“个性化推荐”等核心内容板块质量进行改进,从而帮助应用占据市场核心,创造更大的商业价值。