近年来,随着互联网技术和移动通信技术的发展,社交网络服务成为新兴的网络应用。社交关系的预测与社交网络用户的影响力评价是该领域的研究热点。通过深刻挖掘网络信息,可以分析得出网络中将会产生的社交链路,可以得出社交用户的影响力度量值,进而有助于推荐朋友、提供个性化服务、引导网络舆论等,因而本研究具有重要的社交经济效益。本文首先研究了社交网络中社交关系预测的方法。考虑到社交网络结构复杂、信息量大,基于概率模型和最大似然的方法需耗费很大的计算资源,不能适合社交分析的要求。本文提出了基于加权邻居关系(Weighted Neighborship)的社交链路预测算法(WN算法),在利用局部结构信息的基础上,对共同邻居的邻居,按其联系紧密程度,分为三类,赋予不同的权重。在若干个社交网络的数据集上,使用AUC评价指标将本章算法与其他各种方法对比,验证了该算法的准确性。本文还研究了社交网络中用户的影响力。首先研究了PageRank算法的计算过程。提出了基于复合关系网络(Composite Relation Network)的用户影响力评价算法(CRN算法),将影响力定义为由扩散度和认同度构成的二维矢量。本文提出了一种利用链路预测准确度对影响力度量值合理性进行评价的方法。本文还使用Spearman和Kendall等级相关系数对该算法与传统的PageRank算法进行了比较,验证了影响力排名的合理性。本文最后研究了社交网络中社交关系的预测和用户影响力之间的联系,将两者有机结合起来,提出了基于影响力择优连接(Influence Preferential Attachment)的社交关系预测算法(IPA算法)。该算法利用影响力值的乘积和共同邻居数两个部分的加权和作为社交链路的关联度。使用若干个社交网络的数据,使用AUC评价指标将本章算法与其他各种方法对比,验证了该算法的准确性。