随着互联网的快速发展,社交网络平台发展迅速。随着社交网络中实体以及实体关系的大规模增多,图结构被广泛应用于其中来为处理个体以及个体之间复杂关系。社交网络中的个体有不同的标签标注,然而,在社交网络中,标签的标注通常是由用户自己进行标注的,出于隐私的保护,很多用户并没有对自己的进行标签标注。因此,社交网络中的标签标注是不完整的。在现实应用中,完整的标签标注系统是非常有必要的。例如个性化服务以及商品推荐等,准确的标签推理算法是非常重要的并且会为我们带来巨大的经济效益。与此同时,完整的标签标注系统可以为用户带来很大的方便。在本篇论文中,我们提出了一种基于图结构的方法来解决在社交网络中标签推理的问题。主要研究成果和创新点具体体现在以下几个方面:1.提出一种新的标签推理课题,主要针对目前开放数据集较少的问题,将DBLP的数据迁移到目前的任务当中,从而为之后建立模型做好准备。2.分析数据以及研究任务,对数据进行统计处理,进而将数据应用于算法中。3.基于最大熵随机游走提出一个新的标签推理模型。首先利用随机游走模型,对整个社交网络的图结构进行挖掘,找到结构上相近的结点。同时在每一步随机游走结束后,利用最大熵的指引,使得算法更准确并且收敛的也更快。4.通过在实际社交网络中的单类多标签图结构和多类多标签图结构中应用,发现均能取得不错的效果。同时,探索在多类多标签网络中各类标签之间的相互影响程度,在未来的应用中可以帮助对标签做修正。5.针对提出的算法,其对应的时间复杂度分析以及空间复杂度分析,可以看出我们的算法在时间和空间上效率都比较高。将提出的两种算法应用到实际的数据集中,相比其他的方法均取得了比较好的效果。并且从实验中可以看出一个比较好的效果是,无标签结点的数据量较大时,我们的算法依然保持着较高的准确率。