在线社交网络已经融入到了人们的生活当中,其蕴含的重大价值在学术界和工业界都备受关注。基于社交网络的许多上层应用都依赖于对网络结构的精准分析,而网络的结构随着时间不断演变。因此,分析网络演化过程、挖掘网络演化规律、预测网络演化趋势是非常重要的基础性课题。与传统的复杂网络不同,社交网络的主体是人,社交网络的演化是人的主观行为的结果,对社交网络的研究离不开对人的行为的研究。本文以社交网络中的用户行为建模为基础,围绕社交网络的演化过程推断和演化趋势预测展开研究,主要成果和创新点包括:1.针对社交链接产生方向推断问题,从真实数据中总结了四个一般性的交友行为方向模式,提出了以降低模式背离度为目标的Re Direct优化框架,以及基于Re Direct的链接方向推断算法。Re Direct可以作为一个通用的预处理步骤,通过恢复社交网络链接的潜在方向,改善其他社交网络分析应用。2.针对社交网络演化过程推断问题,提出了用以表达社交网络演化过程的潜在朋友关系传递树La FT-Tree,设计了交友行为生成模型La FT-LDA,以及基于La FT-LDA模型级联推断的La FT-Tree推断算法。La FT-Tree将扁平的网络结构层次化,直观展示了用户以其现有朋友为中介人扩张其社交网络的过程。3.针对社交网络链接预测问题,提出了基于传递性原理的、兴趣感知的交友行为生成模型LFPM,构造了同时体现历史演化轨迹和潜在演化趋势的LFPN,进而提出基于LFPN的链接预测算法LFPN-RW,刻画了全体朋友对用户行为的协同影响和协同推介,克服了行为模型中独立性假设的弊端,提高了预测能力。4.考虑到用户的兴趣爱好及其所处的社交环境都在持续变化,针对离散时域上行为建模方法的不足,进一步提出了连续时间域上的基于个人偏好和社交影响的用户动态行为生成模型Con Tyor,利用动态偏好空间DP-Space来刻画行为影响因子的动态变化;提出了用于模型推断的EMO算法,可直接对于完整的历史行为数据进行推断,提高了模型对历史行为的解释能力和对未来行为的预测能力。5.在各项理论研究成果的基础上,实现了一款用于社交网络演化分析的原型系统La NES,提供网络演化过程推断、网络结构分析以及网络演化预测功能,为用户、研究者、运营商提供良好的分析平台。