随着如今信息技术的高速发展和智能设备的普及,各式各样的社交网络成了影响大众生活最为广泛的虚拟平台,人们曾经习以为常的工作、学习和生活模式早已随着科技的发展发生了翻天覆地的改变。由于网络中存在的多种多样的节点以及错综复杂的关系,因此在真实的社交网络中寻找出有效信息并对其进行合理应用时往往存在难以想象的操作难度。能够实现舆论引导的意见领袖识别与解决信息过载问题的好友推荐算法一直是社交网络的研究重点。针对这两个热点问题,本文的主要研究工作如下:(1)提出了一种基于重叠社区的三维特征分析意见领袖识别算法(TDF)。为了提升检测结果精确性,本文首先使用重叠社区发现算法对整个网络进行社区划分,降低网络结构复杂性,同时提高特征分析效率。然后通过对节点的结构特征、行为特征以及情感特征的分析,使得意见领袖识别过程更加符合真实社交网络的结构特点。最后再根据节点特征分析得到的结果计算节点的影响力值,把节点影响力值相对较大节点放入种子集中,作为最终的结果完成意见领袖识别。在四个不同的真实社交网络数据集上分别验证了该算法,实验结果表明该算法是有效的,能够准确地识别网络中的意见领袖。(2)提出了一种基于元路径的双重策略分析好友推荐算法(DMF)。为了解决目前大多数好友推荐算法都是基于共同好友思想和单一维度的协同过滤思想产生的推荐结果精确度不够高的问题,本文提出了基于元路径的双重策略分析的好友推荐算法。该算法将真实的社交网络抽象成一个二元异构网络,然后基于元路径的思想使用实例路径计算元路径权重的大小,并在计算最终的连接概率时引入TDF算法计算出的节点影响力值和特定时间内的用户活跃度以提升推荐的精确程度。在四个不同的真实社交网络数据集上分别进行实验,并且对比了三种基于不同思想的好友推荐算法验证了 DMF算法的推荐结果在准确率、召回率以及F指标上均有所提高。