基于活动的社交网络(Event-based Social Networks,EBSN)是一种新型的复杂异构社交网络,用户可以在EBSN平台线上发布或查询活动,并在线下参加。近年来,随着EBSN发展迅速,如何在EBSN中根据用户的兴趣偏好,为其安排最优的活动,即其上的活动安排方法研究已成为热点问题之一。对现有方法的研究发现,当前EBSN中的活动推荐算法,由于未考虑活动之间的冲突等问题,无法应用于活动安排。因此,越来越多的研究者针对EBSN中的活动安排问题进行研究,利用数据挖掘等技术分析历史用户的行为、预测用户的偏好来实现EBSN中的活动安排,虽然在一定程度上解决了信息量过大的问题,但是大多数算法忽略了能影响后续安排质量的前用户是否接受活动的反馈意见。因此,研究EBSN中的能满足不同用户需求的带有反馈的活动安排方法具有一定的理论和应用价值。本文针对上述问题进行深入研究,将EBSN中的活动安排方法分为离线预处理和在线查询两个阶段。在离线预处理阶段,首先将EBSN中的活动、历史用户及其之间的关系抽象为有向异构图,图中节点包括活动节点和历史用户节点,活动节点与活动节点构成的边表示活动发生的先后顺序,历史用户节点与活动节点的边则表示用户曾经参与该活动,该类边上的权值表示历史用户参与活动的次数及对其的评价,通过二元组的形式表示。其次,为了加速后续查询,抽取图节点及边的属性特征信息,提出一种有向异构图特征索引(Directed Heterogeneous Graph Feature Index,DHGF索引),该索引由节点属性特征索引、有向边属性特征索引构成。在线查询阶段,首先根据查询语境转化为查询图,利用DHGF索引对节点及边进行初次过滤。其次,提出基于DHGF索引的多属性候选集过滤策略,利用时间、节点的出入度、标签类型等特征的限制,实现对查询图候选集的进一步剪枝,避免冗余计算。针对EBSN中的新老用户,本文给出了不同的查询方法。针对新用户,提出一种具有用户反馈的改进UCB活动安排算法,引入弹性网回归,根据多影响因素计算用户对活动的兴趣值,为其安排兴趣值高的活动,同时接收用户是否接受该活动的反馈。针对历史用户,本文结合多种因素提出历史用户活动安排方法(History User Event Arrangement,HU_EA)。利用元路径法计算出top-k个潜在的好友;利用历史用户经过预处理后参与的活动次数和评价实现协同过滤;利用EN_UCB算法计算出用户的兴趣值,综合这三个方面为历史用户安排兴趣值最大的活动,同时接收用户是否接受该活动的反馈。真实数据集及模拟数据集上的大量实验验证本文提出方法,有效实现了EBSN上的在线活动安排。