伴随互联网技术的成熟,社交网络在社会、政治和经济等层面体现出重要价值和作用,面向社交网络实体的认知算法成为计算机科学领域研究热点。现有研究成果在网络服务、线上营销和公共安全方面发挥着重要作用,但仍存在诸多技术难题尚未攻克,因此本文研究工作具备较高的学术价值和应用价值。围绕社交网络实体认知,本文聚焦于四个具体关键研究点,包括:（1）话题流行时间预测;（2）用户意见预测;（3）基于影响关系的关键用户发现;（4）基于关键用户发现的意见引导。具体研究内容如下:（1）基于文本增强的话题流行时间预测。以提升预测精度为目标,主要解决多类话题相关信息难以利用、话题流行时间复杂变化模式难以学习的问题。提出文本增强深度生存模型,该模型包括前置的文本增强模块和后置的深度生存模块。针对多类话题相关信息利用难题,前置的文本增强模块将繁杂的文本信息浓缩为话题关键特征,有效融合话题相关文本和流行度信息,实现关键的多类话题相关信息有效利用。针对话题流行时间复杂变化模式学习难题,后置的深度生存模块使用生存模型理论框架,通过其深度循环神经网络结构充分挖掘输入信息的时间相关性,并设计损失函数,有效学习话题流行时间复杂变化模式。基于真实社交网络数据集进行实验验证,所提模型预测精度优于对比模型,实现话题流行时间的准确预测。（2）基于多信息融合的用户意见预测。以提升预测精度为目标,主要解决多类用户相关信息难以利用、复杂多样用户偏好难以学习的问题。提出多信息解离化用户表征模型,基于表征相似度进行意见预测,该模型采用多信息对抗融合方法和解离化变分自编码器。针对多类用户相关信息利用难题,设计基于对抗学习的融合方法,有效融合用户群组内话题相关性、用户历史意见和用户关系结构信息,实现关键的用户相关多类信息有效利用。针对用户偏好学习难题,设计解离化变分自编码器,对决定用户偏好但相互纠缠的潜在因素进行解离,实现复杂多样用户偏好的有效学习。基于真实社交网络数据集进行实验验证,所提模型预测精度优于对比模型,实现用户意见的准确预测。（3）基于二阶影响关系的关键用户发现。以提升关键用户发现准确度为目标,主要解决用户复杂影响关系导致的用户影响力难以准确估计的问题。首先定义二阶影响关系,其次提出综合考虑一阶和二阶影响关系的二阶独立级联模型。针对用户影响力估计难题,设计二阶影响传播规则应用于该模型,克服现有模型因未考虑二阶影响关系而导致影响力估计存在偏差的缺点,实现影响力的准确估计。考虑二阶影响关系会增加影响力估计的时间复杂度,对此基于逆影响采样方法,针对性地设计二阶关键用户发现算法及其并行加速算法。算法既准确发现关键用户,也适用于规模普遍较大的真实社交网络。基于真实社交网络数据集进行实验验证,所提模型优于使用广泛的一阶独立级联模型,所提算法有效性和效率较高,实现关键用户的准确发现。（4）基于关键用户发现的意见引导。以提升关键用户发现准确度为目标,主要解决目标问题高复杂度导致的高准确度算法难以设计的问题。针对算法设计难题,首先基于现有研究提出改进的贪心算法,设计用户心理特征最优取值策略用于该算法,通过准确发现关键用户,有效实现群体意见引导。其次针对真实社交网络规模普遍较大的实际情况,提出基于社区特性的加速算法,在牺牲极少算法有效性的前提下,有效提升算法效率。并且基于近似次模性,理论论证所提算法所求解的近似比。基于真实社交网络数据集进行实验验证,所提算法优于对比算法,既准确发现关键用户,也适用于规模普遍较大的真实社交网络。本文基于公共实验数据集对所提各方法进行验证测试。实验结果充分证明所提各方法有效解决了相应关键性技术难题,所提各方法是面向社交网络实体的认知任务的有效解决技术。