随着如今信息技术的飞速发展和智能设备的普及,社交网络成了影响大众生活最为广泛的虚拟平台,人们传统的工作、学习和生活模式已经发生了巨大变化。但是由于网络的多样性和关系的复杂性,在现实的社交网络中挖掘高价值信息并进行合理应用却存在着巨大的挑战。在社交网络的相关研究中,使用影响力模型挖掘网络中的关键用户来实现舆论引导和使用链接预测算法实现推荐系统解决信息过载已经成为当今研究中的两个热点问题。针对这两个热点问题,本文的主要研究工作如下:1.引入人气指数的社交网络影响力模型。在对社交网络进行分析和研究时,使用影响力模型准确高效地识别高价值潜在用户在学术研究和商业应用中都有重要意义。本文以新浪微博为例,对网络中的作弊账号进行剔除后提出一种添加了人气指数的WLRank算法,该算法结合用户的实际操作情况,在分配节点权值时按照人气指数进行分配,从而加快算法的收敛速度。在新浪微博、新浪论坛和DBLP数据集上进行实验,同时使用了四种较为常用的中心性指标以及经典PageRank算法和LeaderRank算法作为对比实验,结果表明WLRank算法在挖掘网络中的潜在高价值节点时,准确性和合理性方面优于对比算法。2.基于元路径权重的社交网络链接预测算法。链接预测算法作为推荐系统的核心,可以有效解决网络中信息过载问题,优化用户体验。为了解决目前大多数链接预测算法应用在简单同构社交网络中的现象,本文提出一种基于元路径权重的META-Base链接预测算法。此算法在真实社交网络中建立二元异构网络模型,使用元路径来描述网络中实体节点之间的关联性,用实例路径来计算元路径权重并采用链接概率预测节点间的链接关系。在新浪微博、新浪论坛和DBLP数据集上进行实验,同时使用基于共同话题的链接预测算法、基于共同好友的链接预测算法以及基于话题相似性的链接预测算法作为对比试验,最终结果表明META-Base算法在准确率和召回率上都有所提高,并且实验结果较为合理。