Web2.0的兴起,使人与网络的交互程度增大,尤其是社交网站的出现,把实际生活中的人际关系和行为映射到网络,带来了网络上的朋友和人脉。社会网络的发现、挖掘、以及基于社会网络分析的个性化推荐等技术的研究和应用备受关注。但是,目前的研究和应用中,仍存在不能很好满足用户社交和信息需求的问题,主要表现在：较多关注显式的强关联关系、较少关注隐式的弱关联关系；较多考虑单关系、较少考虑多关系。本文从隐式弱关系和多关系网络分析入手,采用数据挖掘技术,从社区结构发现、关联路径挖掘和核心人物发现三方面分析原有社区发现工作的不足,结合具体的应用,提出相应的改进方法。由于交互方式多样化,导致用户间关系多样化,故而本文研究了多关系网络中的社区结构发现和关联路径挖掘。首先,多关系网络中的社区结构发现可以采用传统的单关系网络中的社区结构发现算法来解决,但是这些算法难以解决关系的多样化问题,因而本文提出了抽取多关系网络,并应用改进的谱聚类算法发现多关系网络中的社区结构。其次,由于现有的关联路径挖掘算法大都针对单关系网络,且挖掘出的路径关系单一,长度不可控,本文提出了多关系网络中基于隐马尔可夫模型的关联路径挖掘算法。该算法结合六度分割理论,能够解决传统算法存在的问题。最后,与传统的核心成员发现不同,本文结合观点挖掘领域,构建观点网络,发现观点社区,并在每个观点社区中应用现有的基于结构信息的PageRank度量社区成员的核心性,发现意见领袖。实验表明：从多关系兴趣相似网络中发现的社区可以为目标用户推荐兴趣相似的人,挖掘出的关联路径能为用户获取信息提供帮助；从观点相似网络中发现的观点社区有助于找到针对某一事件的具有代表性的观点,发现的意见领袖可以帮助用户详细了解代表性观点。