对社会网络研究在上个世纪就已经如火如荼,有各个领域的领军人物分别用数学(图理论等),物理学(人类动力学等),生物学(传染病学等)等等知识来探索社会网络的结构特性,并且取得一定成就。对社交网络这种特殊的、数据完整易得的社会网络,研究者们已经从21世纪初开始对单一网络基本的数据统计拓扑、结构建模等先行探索,积累了成熟丰富的研究成果。在最近几年中,研究者们在研究深度上,从基本统计方法投向网络建模的细化、专一化(个体特征,三元特征,结构洞,社团,话题等),建模方法的多样化(机器学习,优化问题,博弈论等);从研究广度上,从单一网络迈向异构网络,异质网络等复合型网络。本文立足于当前研究的成果,有如下创新:首先,本文研究点是社交网络中的个体层面的行为建模问题,研究基础为学术前辈建立的基于复杂网络、图论、统计学的社交网络结构。针对个体/群体的行为建模问题,本文提出一种基于机器学习方法的个体行为分析模型,其核心是对个体行为的特征度量和一种基于聚类的角色发现算法,并利用该模型对腾讯微博的用户行为进行了分析,验证了模型的有效性。其次,在研究单一社交网络的个体行为后,论文尝试将其推广到异构网络中。由于异构网络中存在网络结构不同、网络不连通、基本属性指标不同等特殊性,对单一网络中的个体行为建模进行了拓展,提出了一种基于异构网络的个体行为建模方法。最后,通过对以上课题的研究过程中,针对实验数据的爆发式增长和对相关算法的不断积累和改进带来的巨大工程量问题,本文提出一种集成算法与数据的实验平台原型系统。该平台对算法、数据采用标准化、模块化、结构化的积累迭代方式,解决了不同数据与不同算法之间流程化处理时产生对接工作量大的问题,对不同模型运用于异构数据提供了平台支持,目前原型系统已经开发完成。