在线社交网络是一种允许人们建立社会联系、参与互动交流、分享心得体会的在线平台。随着互联网信息技术的蓬勃发展,在线社交网络以其通讯即时、使用便捷、信息多元、用户海量等特点,深受广大用户的青睐与好评。人们将日常社交行为从线下生活延伸至线上网络,使得在线社交网络成为人们日常生活中不可或缺的重要平台。用户作为在线社交网络中的信息产生者与消费者,是各类在线社交平台的核心资产,其社交特征是识别用户身份、描述用户特点、刻画用户画像、理解用户意图的重要信息。各类在线社交网络服务以用户为出发点,深入分析用户社交特征信息,挖掘受众用户身份、用户群体构成、用户立场倾向等内容,提供商业智能分析、政情民意分析、个性化推荐服务、实时医疗分析等多种不同功能。因此,用户社交特征分析具有重要的现实意义和广泛的应用价值。然而,用户社交特征分析存在着诸多困难。一方面,在线社交网络用户规模海量庞大,呈千万级乃至亿级,而用户属性信息类别多样、内容多元。用户与属性规模的上升会使得输出空间呈指数级增长,在准确性与时效性上大幅增加用户属性预测难度。另一方面,在线社交网络用户间关系结构复杂、异构多元,而用户间关系语义信息呈隐性特征,信息内容稀缺。如何有效利用低质量训练数据开展社交关系特征分析成为一项具有挑战性的工作。面临这些现实挑战,本文从用户属性信息和用户关系信息两个维度出发,分别从用户显性属性信息、用户隐性属性信息、用户间隐性社交关系和用户间关系类型四个角度研究用户属性信息挖掘、用户兴趣点推测、用户间隐性社交关系发现和用户间关系类型识别四项内容。（1）在用户属性信息挖掘方面,针对用户属性信息内容缺失、格式不一、虚假难辨等问题,提出一种基于社交关系与用户言论的用户属性推测框架,从社交关系和用户言论两个层面刻画其对于属性可能的影响。在社交关系层面,本文提出了一种基于社交关系的属性置信传播算法SocialInfer。根据现实社会中具有社交关系的用户拥有相似社会属性这一现象,算法将用户及其关系映射为网络图结构,运用图上置信传播推断用户的属性信息。在用户言论层面,本文提出了一种基于用户言论内容的UCBert模型。通过结合不同用户群体在语言环境、用语特点及用语习惯等方面呈现出的特点,模型采用双向Transformer模型对用户个人属性进行推断。通过综合用户间社交关系和用户言论两种不同因素对用户不同属性的影响,本框架计算用户对于任意属性的属性分布,挖掘可能性最高的用户属性。实验结果在Facebook、Twitter、Instagram等数据集下测试验证,发现本文提出方法具有较高的属性挖掘准确率。（2）在用户兴趣点推测方面,针对用户兴趣点挖掘中用户-兴趣矩阵稀疏、上下文信息混杂的现实挑战,提出一种混合式用户兴趣点推荐框架,分别从用户偏好、好友重要性和兴趣点位置相关性三种因素考虑对于用户兴趣点推荐的影响。在用户偏好层面,模型运用协同过滤计算每名用户签到轨迹的相似性。在好友重要性评估层面,模型构建了一种用户-兴趣点社交网络图,运用书签着色算法计算用户对于兴趣点的关联性。在兴趣点位置关联层面,通过假设用户兴趣点之间的距离分布,根据兴趣点距离估计用户可能感兴趣的兴趣点。最终,通过汇总三种因素下用户对于兴趣点的预测得分,推断用户可能感兴趣的兴趣点。本文最终在真实数据集上进行实验测试,能够在精确率和召回率上具有更优的性能。（3）在用户间隐性社交关系发现方面,针对在线社交网络中网络结构不完整、节点信息不完全、用户间隐性社交关系难发现的现实问题,提出一种基于扩展社交图的用户间隐性社交关系发现模型。该模型通过融合隐藏用户部分可知的少量可见社交关系、用户属性信息和用户言论信息,构建一种扩展社交图,丰富隐藏用户的表征信息。通过运用卷积神经网络对扩展社交图上不同类型关系进行卷积,获取节点的最终嵌入表示,进而推断节点间可能的隐性社交关系。实验结果表明,本文提出模型在各类不同数据集上表现出优异的性能,说明本文研究成果对于用户间隐性社交关系发现有着更显著的发现能力。（4）在用户间关系类型识别方面,针对在线社交网络用户间社交关系异构互联、识别困难这一问题,提出一种基于图注意力机制的关系类型识别模型。通过分析网络结构中的割边,运用图注意力机制对割边与非割边两种不同类型边进行学习。结构平衡理论与状态理论等社会学理论指出,特定三元组内的关系结构是平衡状态的,从社会学意义上给出了关系类型识别的依据。通过区分不同类型边所构成的三元组结构,分别运用图注意力机制学习其网络结构特征。最终,通过构建合适的目标函数,获得最终的节点嵌入表示,进而对边类型进行判断。多数据集的测试结果表明本方法具有更高的准确率。