随着信息科技和网络技术的迅速发展,社交网络平台日益增多且迅速扩充,人们之间沟通和交流方式发生巨大的变化。社交网络中的意见领袖在信息传播过程中起着重要的作用,在商品营销、引导舆论走向、促进政策的宣传等方面具有重要的应用。同样,在社交网络分析中意见领袖节点通常被选作聚类任务的中心节点、影响力传播的种子节点进行研究。因此,挖掘意见领袖用户具有重要的实际价值和研究价值。目前,意见领袖挖掘从单一网络结构出发,然而随着网络复杂性的上升,单一的拓扑结构难以度量用户间的复杂关系,如转推关系、提及关系、点赞关系、评论关系等,这些交互关系反映用户间相互联系的紧密程度。除结构特征之外,话题偏好也是度量用户相似度的重要依据,话题偏好相似度有时甚至能够影响用户间交互行为的产生。本文从节点的多个交互关系网络出发,从整体上把握节点间的相似度,进而进行意见领袖挖掘。现实生活中用户间的交互行为往往存在相互影响的现象,有时不能将某一种交互行为单独看待。本文第二个工作深入分析用户间多种交互行为的内在关联以度量用户间的相似性,进而进行意见领袖挖掘研究。本文的主要贡献如下:（1）提出一种基于不同交互类型的多个关系网络的意见领袖挖掘方法（MRTRank）,该方法能够充分利用用户的多种交互关系,提取每个交互网络中用户间的紧密关系。首先,用话题模型从用户推文中提取话题偏好,然后通过一种属性网络表示学习算法,得到节点间在不同交互关系网络上的相似性,将话题相似性和节点在多种交互网络的相似性进行融合,形成节点的转移概率矩阵,最终通过PageRank算法得到top-k意见领袖。实验结果表明所提的MRTRank算法优于常用的意见领袖挖掘方法。（2）提出一种基于包含多种交互关系的融合网络的意见领袖挖掘方法（MRFRank）,该方法将用户的多种交互行为联系在一起,考虑各交互行为的关联性,提取更为准确的用户相似度。首先,将用户的多种交互关系融合到一个网络中,该网络可看做是一个同类型节点,多种类型边的异质信息网络,通过一种多路异质网络节点嵌入方法,得到不同节点在多种关系融合网络上的向量表示,提取用户的相似度并形成节点的转移概率矩阵,最终通过PageRank算法得到top-k意见领袖。实验结果表明所提的MRFRank算法优于常用的意见领袖挖掘方法。