异常检测在现实生活中有着广泛的应用,也越来越受到人们的关注。多个实体之间的复杂交互在社交网络中广泛存在,可以反映出特定的人类行为模式。通过关注这些这些复杂交互关系,有助于检测社交网络中的异常节点。然而,由于现有的图学习方法缺乏一种有效的机制来利用这些复杂的交互关系去检测异常,导致检测结果不准确。为了解决上述问题,本文提出两种新的社交网络异常节点检测算法。针对社交网络异常节点检测问题,本文提出了一种基于高阶结构的社交网络异常节点检测方法（GUIDE）,其通过高阶结构（即网络模体）来建模多个实体之间的复杂交互关系,以促进社交网络中的异常节点检测。具体来说,该方法利用属性自编码器和结构自编码器分别重构节点属性和高阶结构。此外,还设计了一个图注意力层,通过节点和其邻居的高阶结构差异来评估节点邻居的重要性。最后,该方法利用节点属性和高阶结构重构误差来寻找异常。针对社交网络中虚假新闻检测问题,本文提出了一种基于多源数据的社交网络异常节点检测算法（NOTICE）,该方法利用不同类型网络模体建模异构网络中新闻与其他实体之间的复杂交互关系,有助于进行虚假新闻检测。首先将目标节点基于网络模体的邻居聚合得到节点的模体嵌入,然后设计了一种层次注意力机制,同时从模体级和语义级的角度聚合节点特征。最终聚合得到的节点表示有效捕获了网络中的结构及语义信息,因此可以利用它来更好地检测虚假新闻。本文对所提出的两个算法进行了大量实验,实验结果展示了两个算法的优越性能,并进一步验证了网络中多个实体间的复杂交互关系对社交网络异常节点检测的重要性。