随着社交网络的快速发展,从社交网络中获取用户之间的信息已经成为了学术领域一个重要的研究内容,例如链路预测、社团发现、节点分类等。社交网络往往具有用户数量庞大、节点稀疏等特点,在传统的图论方法中利用邻接矩阵来表示社交网络,此时的邻接矩阵会非常庞大,并且大部分数据都是0,因此很难有效地利用社交网络。针对社交网络的重要分支—符号网络,本文提出了一种正交化的图正则非负矩阵分解方法(Orthogonal Graph Regularized Nonnegative Matrix Factorization,OGNMF)。该方法可以对庞大的符号网络进行降维,使其维度适合存储与计算,并且同时保留原始网络的结构信息和稀疏性,可以利用降维后的符号网络来预测用户之间的关系。另外还在OGNMF的基础上用2,1范数加以约束,使其具有更好的鲁棒性。本文的具体工作如下:1.我们提出了OGNMF算法,给出了其更新规则,在此规则中OGNMF算法可以达到收敛,此外还提供了收敛性的分析。OGNMF算法对高维度的符号网络进行降维,从而可以利用其分解出来的低维度的矩阵来代替原始矩阵进行计算。符号网络中的用户关系看作是标签,我们将OGNMF算法应用到标签不足的场景中,先将源域网络和目标域网络同时进行降维,再利用迁移学习中的Tr Ada Boost算法,将源域网络和目标域网络中的样本共同训练,该算法可以自动增加有益样本的权重,降低无用样本的权重,训练之后得到的样本可以用于数据挖掘。我们在3个公开数据集Wiki-Rf A、Slashdot和Epinions上进行了多组实验,与其他4组对比算法进行比较,我们的算法可以取到最好的效果。2.针对符号网络中的类别标签噪声问题,本文在OGNMF的基础上提出了鲁棒的正交化图正则非负矩阵分解方法(Robust Orthogonal Graph Regularized Nonnegative Matrix Factorization,ROGNMF)。ROGNMF在OGNMF的目标函数中使用2,1范数作为约束,来降低离群点或噪声点对原始数据分布造成的干扰。我们同样给出了其更新规则并进行分析。我们在Wiki-Rf A、Slashdot和Epinions数据集中根据噪声率的不同进行了多组实验,实验结果证明了ROGNMF算法可以有效地减少噪声点的影响。