近年来,学习符号社交网络的表示进行符号预测任务已引起越来越多的关注。大部分现有工作多是针对无符号网络设计,但是由于不同符号链接性质的相对,这些模型不能直接应用到符号网络上。而符号社交网络处理领域一个具有挑战性的问题是在给定的符号标签极度不平衡的网络数据集中如何更好地学习与正链接性质相对的负链接信息。解决该挑战的现有工作按照使用的基本方法可以分类为谱聚类、低秩逼近、随机游走和神经网络。但是,基于谱聚类和基于低秩逼近的模型可能会导致隐式特征信息的丢失;基于随机游走的模型需要使用社会理论来预测随机游走路径中当前节点和其二阶邻居节点之间的链接符号,而忽略了社会理论本身是矛盾的和不完整的;基于神经网络的模型在处理符号标签不平衡的网络数据集时容易出现过拟合现象。为了解决上述问题,本文递进地提出了两种使用距离度量学习的模型,一种是基于度量学习的符号网络表示学习模型SNE-DML。该模型为正负链接各自分配一个距离度量空间,并在训练过程中更新节点表示向量的同时,通过引入负采样机制动态地更新正负距离度量空间。通过实验验证与分析,本模型与现有工作相比效果更优,且在面对参数正负链接比例的变化时更具稳定。一种是基于核方法的符号社交网络符号预测模型KerSin,通过显式的符号信息学习符号网络的隐式特征。所提出的模型是通过核函数和距离度量学习构建的,核心思想是学习与符号理想核矩阵相似的且具有强泛化性的理想化核矩阵,核矩阵中每一个元素都是对应节点对之间的相似度,通过学得的相似度信息训练分类器就能进行符号预测任务。模型使用各种核函数来计算节点对之间的相似度,然后由相似度计算得到节点对之间的距离,再根据求得的距离信息使用距离度量学习来学习优化理想化核矩阵。为了表现模型的灵活性和通用性,模型采用线性核,高斯核和有理二次核作为计算节点对之间相似度的核函数。本模型在三个符号社交网络上进行了实验,并与具有代表性的现有工作进行了比较,结果表明了其有效性和优越性。