随着互联网的发展,社交网络成为人们信息获取、知识学习、观点分享以及交流互动的平台。社交网络蕴含海量用户数据,利用这些数据对用户聚类分析可以全面了解用户群体,对用户个性化服务、平台内容推荐、商业精准营销、网络舆情治理等有重要意义。目前,人群聚类分析方面的研究广泛,但大多数研究局限于某类或某几维特征,如使用兴趣主题行为等几类特征构建用户画像,使用网络结构特征检测社区结构等,没有使用多种多类特征对社交网络人群聚类分析,用户表征维度低,聚类分析的全面性、精准性有所欠缺,因此基于高维细粒度特征进行社交网络人群聚类分析,构建更加全面的用户群体画像意义重大。社交网络中的用户特征包括用户属性特征、网络结构特征以及关系语义特征。根据特征区别,本文从三方面对人群进行聚类分析。第一,使用属性特征对用户进行聚类分析,得到特征相似的用户群体,构建用户群体画像。第二,使用属性特征和网络结构特征进行社区发现,检测网络中真实存在的社区结构,得到联系紧密的人群。第三,使用属性特征、网络结构特征以及语义特征进行异构图嵌入表示,并将节点嵌入结果用于分类、聚类任务中。本文的主要研究工作如下:(1)本文提出了基于高维细粒度属性特征的用户群体画像模型,提取基本特征、内容特征、统计特征、行为特征4大类20小类用户属性特征,从兴趣主题、位置偏好、发文习惯、表情符使用等方面全面刻画用户,聚类分析得到用户群体,构建较为完善全面的用户群体画像。经过分析,得到机构团体官方账号、时政类认证男性用户、精英类认证女性等17个具有代表意义的用户群体。与现有工作相比,本文的用户群体画像模型涉及的特征粒度细、种类多、范围广。(2)本文提出了节点属性特征增强的快速社区发现方法(Attribute Feature Enhancement Louvain,AE-Louvain),使用节点属性特征和网络结构特征,通过优化模块度增量和节点属性特征相似度来检测社区结构。实验验证了AE-Louvain方法的有效性。同时表明,与模块度增量作用类似,节点属性特征相似度也可以决定节点的社区划分。(3)本文提出了异构图注意力自编码器(Heterogeneous Graph Attention Auto-Encoders,HGATE),综合考虑节点属性特征、网络结构特征以及异构图的语义特征,使用层次注意力机制,通过堆叠编/解码器实现异构图数据的无监督表示学习。HGATE适用于直推学习和归纳学习。在两种公开异构数据集上进行节点分类实验,与最新的8种图表示模型对比,实验表明HGATE性能比最新的无监督图嵌入模型好,与最新的有监督模型持平。(4)本文设计并开发了用户画像展示系统。系统可爬取目标微博用户主页、博文、社交关系等数据,提取用户属性特征,聚类分析并展示用户个体及群体画像。