信息化时代,来自社交平台的数据每天在源源不断的生成,许多数据可建模为大规模网络,基于这些网络数据快速、准确地识别其潜在的多类型聚类结构,有利于实际的应用,如推荐系统可利用用户聚类信息进行推荐,舆情分析可利用用户聚类发现用户交互模式。目前存在的社区结构发现算法只能识别网络的社区结构,而对于网络的多类型结构,无监督网络结构发现算法虽可以发现其结构,但准确性不高。先验信息有助于提高网络结构发现的准确率,但先验信息很难获得,且需要很大的代价花销。主动学习基于采样策略选择使模型性能提升最大的监督信息,可花费较少代价得到高质量先验,进一步提高网络结构发现算法的准确性。因此,主动半监督网络结构发现算法更加具有研究与应用价值。无监督在线EM算法onlineVEM(online Variational Expectation Maximization)可以发现大规模网络多类型结构,但是其十分依赖模型初始参数的优劣,尤其是在网络结构复杂时结果不稳定且不准确。因此,将onlineVEM算法与不确定性采样策略相结合,提出一种基于迭代框架的主动半监督网络结构发现方法ASonlineVEM(Active Semi-supervised onlineVEM)。该算法基于代表节点初始化模型,然后迭代执行三个任务:运行在线算法onlineVEM、主动选节点、标记节点及更新模型参数,直至算法达到设定阈值或收敛。在具有不同结构的人工网络和真实网络上,ASonlineVEM算法优于同类算法。ASonlineVEM算法在一定程度上改善了发现网络多类型聚类结构的准确性,但是其只根据不确定性采样准则选择先验信息,导致无法使网络结构发现性能提升最大。对此,将onlineVEM算法与基于批量主动学习的BALN(Batch Active Learning)算法相结合,提出一种多策略节点选择的主动半监督网络结构发现算法BAOE(Batch Active onlineVEM),该算法融合不确定性、代表性和中心性三种节点重要性准则主动选择节点标记,并基于随机游走策略扩大选择节点集合。在人工网络和真实网络上的实验结果表明:BAOE算法能够选择使算法性能提升最大的节点集合。最后,为了进一步验证BAOE算法的有效性与实用性,将设计的算法应用于CSDN用户网络结构发现中,识别用户网络潜在的聚类结构,利用聚类结果分析网络用户特征。实验结果表明BAOE算法有一定的实际应用价值。