社交网络在人们交流和分享的过程中充当着中间媒介的作用,不仅可以为用户提供优质的服务,而且社交网络平台可以收集用户生成的文本、图像和视频等不同媒体的数据。虽然社交网络跨媒体大数据对于信息流企业具有极大地变现价值,用户编辑的数据往往存在着语义稀疏、噪声多和多义性等缺点。本文基于深度学习、预训练、聚类算法、对抗生成学习等知识和技术,利用社交网络大数据语义扩充算法对社交网络大数据进行特征提取,通过对抗生成网络和参数共享机制将社交网络跨媒体大数据特征映射到统一的公共语义空间,引入社交网络跨媒体大数据之间的关联关系对社交网络跨媒体大数据的搜索进行辅助加速,实现了社交网络跨媒体大数据演进挖掘、搜索与可视化系统。本文完成的主要工作如下:(1)针对社交网络大数据存在的语义稀疏、多义性和噪声多等缺点,提出了社交网络短文本语义扩充算法(BBLA)和社交网络图像语义扩充算法(VMA)。在社交网络短文本语义扩充方面,设计了适用于社交网络短文本数据的深度神经网络,通过结合预训练模型Bert、长短时循环网络和注意力机制,获取了具有上下文语义信息的文本语义扩充向量,利用有监督的方式对文本数据进行训练和学习,实现了社交网络短文本的语义扩充;在社交网络图像语义扩充方面,利用VGG-16模型对社交网络图像数据特征进行获取,通过在提取图像特征的过程中引入多头注意力机制,获取了具有丰富语义的图像语义扩充向量,实现了社交网络图像的语义扩充。(2)为了加速社交网络跨媒体大数据搜索效率,提出了基于时间和转发关系的社交网络跨媒体大数据关联关系发现算法(ADSTR)。通过对社交网络跨媒体大数据进行聚类分析和关联规则发现,获取了社交网络大数据之间的关联关系,构建出媒体内和媒体间数据的关联矩阵,实现了社交网络跨媒体大数据之间的关联关系发现。对于社交网络跨媒体大数据演进规律挖掘方面,利用基于时间和转发关系的社交网络跨媒体大数据关联关系发现算法对社交网络跨媒体大数据进行分时间片的关联关系发现,获取了每个话题在演变过程中的变化规律,实现了社交网络跨媒体大数据演进规律的挖掘。(3)针对以微博为代表的社交网络存在的语义鸿沟和搜索效率低的问题,提出了基于公共表示与关联关系的社交网络跨媒体大数据搜索算法(CPRT-IR),利用对抗生成网络将社交网络文本特征与对应的图像特征映射到公共语义空间,根据公共语义空间中各媒体的表示生成重构的文本与图像特征,将跨媒体大数据的重构特征与原始特征的差异和对媒体间数据的判别损失作为网络损失的组成部分,通过生成模型与判别模型的相互博弈,获取了社交网络跨媒体大数据公共特征表示,解决了社交网络跨媒体大数据之间语义鸿沟的问题。为了进一步加快搜索的效率,通过结合社交网络跨媒体大数据的公共表示和社交网络跨媒体大数据之间的关联关系,实现了社交网络跨媒体大数据的高效搜索。通过降维和聚类分析的方法,分别对社交网络跨媒体大数据公共表示和搜索结果进行可视化,实验结果进一步验证了基于公共表示与关联关系的社交网络跨媒体大数据搜索算法的有效性。(4)实现了社交网络跨媒体大数据演进挖掘、搜索与可视化系统。系统由语义扩充模块、关联关系发现与演进挖掘模块和搜索与可视化模块三个模块组成。实现了各项功能完备,操作友好的系统。