随着新型社交网络的兴起,社会网络服务得到了飞速的发展,这促使人们可以更加快捷方便地进行信息传播与实时交流。但是社交网络在促进社会经济发展和人文交流的同时,也带来了“信息爆炸”的问题。由于社交网络可能包含数以万计的节点和边关系,因此整个网络关系推理的过程会非常的复杂,如果可以将节点表示为低维的向量,就可以很大程度上解决这一问题。网络表示学习就是将网络中节点的特征,嵌入至低维向量中的方法,而学习到的这些向量将会保留节点的相似性。针对以上问题,本文提出了一种基于粒度划分的社交网络关系发现方法,该方法结合社交网络用户的结构特征和文本特征来获得用户节点的低维表示,然后利用得到的节点表示分析用户之间的关系。本文的主要研究工作如下:(1)利用知识图谱中的实体信息作为先验知识与深度神经网络结合来增加粒度信息。先验知识的加入使数据集得到扩充的同时也使得原本属于同一类型的文本更容易聚集,这样就弱化了模型的过拟合问题,并减少模型对样本的依赖性,从而进一步提高文本特征提取的效果。(2)多层神经网络模型会随着深度增加而出现梯度消失、功能退化的问题,本文利用残差块来代替原来的深度神经网络层,同时空洞卷积与原始卷积相比,空洞卷积使用不同空洞率得到的特征是多粒度且不重复的,这样可以解决局部特征丢失和信息重复的问题。最后文章通过实验证明使用空洞卷积可以提升文本特征抽取的准确率。(3)综合考虑了用户节点的文本和结构等多个模态特征,并投影到同一分类子空间,同时在进行多模态特征融合时,利用Bilinear模型对多模态向量进行训练,从而得到社交网络用户节点的唯一低维向量表示,并在爬取的真实网络数据上进行用户关系发现。