推特(Twitter)作为现如今最受欢迎的社交系统之一,其用户量巨大,用户每天频繁地在推特上进行交互。因此,推特系统中包含着巨大的信息量,也越来越受到科研工作者们的关注和研究。本文的目的是对推特中的账号进行分类。现有研究中,大多数只利用了账号的属性特征而忽视了网络特征或者只利用了简单的网络特征。而网络特征对于账号分类是很重要的。本文结合属性特征和复杂的网络特征,试图对账号进行分类。本文的主要工作概括如下:(1)基于推特社交网络,建立了一个属性异质网络(AHIN)。在推特社交网络系统中包含了各种不同类别的节点,如账号、推文、事件等,本文称之为异质节点。这些不同类别的节点又能够通过不同的社交关系有所联系,如用户发表推文、推文关联事件等。除此以外节点自身也蕴含了大量的特征属性信息,如账号的主页信息。基于这些复杂的社交关系以及节点属性,本文构建了一个属性异质网络。(2)基于属性异质网络(AHIN),本文提出了一种名叫AHIN2vec的网络嵌入学习方法。基于元路径以及节点之间的属性相似度来进行随机跳跃,得到了账号的跳跃轨迹序列文本。然后再利用nlp中的处理方法,实现对账号节点的向量化,随后利用传统的机器学习方法对账号进行分类。实验结果证明,本文提出的方法效果要优于现阶段主流的其他几种网络表示学习方法。(3)基于图卷积网络(GCN),提出一种名为multi-gcn的账号分类方法。由于gcn是针对同质网络图,所以本文利用各种元路径从AHIN中抽取出不同的single-view图,对每个single-view图利用gcn进行处理,然后再利用注意力机制对多个网络进行结合以得到最后的最终的分类结果。实验证明,该方法的分类结果精度高达88%。