随着互联网的迅速发展,可建模为复杂网络的社交网络,用一种全新的方式改变了人们的沟通模式和交流方式,为人们提供了更加广阔、自由的平台。社交网络的言论自由提高了人们对公众事件参与度,加深了社会信息透明度,拉近了人与人的距离,而人们发布的观点和看法使得社交网络成为了反映社会舆论和民情民意的主要战场。此时,各类信息迅速发酵,形成网络舆情。社交网络信息来源较为复杂,造谣成本也较为低廉。舆情传播速度之快,扩散范围之广,增大了有关部门的监管难度、影响了社会稳定性。当突发事件出现时,舆情开始迅速蔓延,如果处理不当,甚至可能引发舆论危机。利用复杂网络的理论及技术可以对复杂的社会网络中舆情传播进行定量的分析和研究。通过研究复杂网络中的舆情传播模型、网络拓扑结构分析、网络结构变化趋势,对监管和正确引导舆情具有重要的理论依据和现实意义。研究网络舆情的扩散方式对我们认识舆情的传播流程、个体交互模式以及拟定合理的应对手段有重要的意义。传染病模型是利用复杂网络技术进行建立舆情传播模型时较为常见的一种,针对传统传染病模型太过单一,无法准确刻画舆情的复杂变化趋势,本文提出了一种MI-SEIR模型,考虑了媒体传播方式和人际关系传播方式两种舆情传播渠道,并将节点根据不同的意见规划为三类。根据节点的自身属性等参数建立观点值演化规律,节点所属种类可根据观点值演化而改变。理论分析及仿真结果表明,各参数都对舆情传播的范围和过程有一定程度的影响。在现有的针对复杂网络的社区发现方法中,多数通过分析网络结构信息进行划分。由于基于全局的社区发现方法的计算过程非常繁琐,而基于局部的社区发现方法无法在简化计算的同时保证准确性,本文提出了一种利用核心节点的算法。首先根据节点度及局部聚类系数计算网络中所有节点的优先级选取核心节点。其次利用多层节点相似度判断其他节点是否可以划分进核心节点所在的小团体,最后将紧密程度较大的小团体进行合并。理论分析及仿真结果表明,本算法划分准确度较高。真实网络大多是有向的,且网络结构随时间动态变化,传统的链路预测方法大多适用于无向网络,其分析方法不能有效挖掘真实网络中的信息。针对上述问题,本文提出了基于时间影响因子的NALAS指标进行计算,考虑了网络有向性和网络历史结构的影响,并在多个数据集上对该算法进行了实际验证,理论分析与仿真结果表明,本文提出的算法计算过程简便,预测精度得到了提高。