人们的日常社交活动离不开一个庞大的社会网络的支撑,因此,社会网络中的数据挖掘工作,成为了当下最需要解决的研究课题之一。但是很多社会网络中的符号信息往往是非常稀少甚至完全缺失的,由于人们日常行为习惯以及巨额的人工成本导致标签的获取十分困难,但是这些符号信息对于人们日常生活以及人际交往等方面又是至关重要的。所以,为了获取这些重要的符号信息,迁移学习可以作为一个有效的方法,来从已知标签信息的一些网络中提取有用信息,从而用之获取所感兴趣的无标签网络中的符号信息。现有的符号预测方法大多是有监督学习方法,即需要一部分目标域网络标签的先验知识完成分类器的训练,而极少数不需要目标域标签的预测方法则由于最优解精度的限制获取到的可迁移知识不够精确。所以本文就无标签网络中的最优解的精确求解上做出了改进:本文提出了一种基于分支定界迁移方法的无标签网络中的符号预测方法。本方法使用了适用于复杂网络中的分支定界法来求解目标函数来获得复杂网络空间中的全局最优解,使得源于网络中的最有用的标签信息可以被挖掘出来,进而辅助目标域完成标签预测工作。实验证实,在不同社交网络之间,该方法的符号预测性能相比于经典的已有方法有显著地提高。此外,基于深度学习的知识迁移方法也是当下重点研究的理论,然而该类方法中包含待更新参数,每次训练中,由于符号网路的规模过于巨大导致的梯度变化异常以及计算量等问题都使得该类方法不适应于符号网络。因此,本文提出了适用于符号网络的非深度知识迁移方法:即基于三重优化的跨域知识迁移方法来完成无标签网络中的符号预测问题。该方法将源域知识提取,提取关键样本,目标域符号预测三个问题有机融合在了一个整体的优化问题中,使得在知识迁移过程中计算量大大降低,并且避免了过多的参数更新问题。实验验证了该方法相比于其他方法能够大大提升符号预测的准确性。当源域和目标域之间相关性很小甚至完全无关时,现有的迁移学习方法则不能很好的适用于符号网络中。因为源域和目标域间巨大的差异度导致了直接进行知识迁移会产生严重的负迁移现象,并且在符号网络中负迁移现象尤其严重。所以本文就减少负迁移现象上,提出了基于三域关系模式组的符号预测方法。三域关系模式组选择了一个合适的中间域网络作为桥梁,完成从源域网络到目标域网络的知识迁移工作。同时三域关系模式组还能够衡量出源域,中间域,目标域之间的相关性,挑出并去除了影响知识迁移的干扰样本,提纯了源域网络中的可迁移知识。后续实验详实地验证了该方法选择中间域和目标域上符号预测的良好性能。