人群定向是通过对用户的行为,找出具有共同特征的潜在用户集合。为了能够帮助企业或广告主挖掘社交网络中潜在用户,本文针对复杂的社交网络关系,进行了不同网络拓扑结构下的潜在用户挖掘研究。本文针对复杂网络的不同拓扑结构,分别就基于用户行为关系网络、基于位置与行为关系的网络和基于兴趣标签与行为关系的网络中的用户挖掘进行了研究,主要研究内容包括:1.基于行为关系网络的用户挖掘,本文重点研究了基于多种行为关系的用户挖掘问题,提出了一种基于多维关系网络社区划分和链接关系相结合的用户挖掘方法。首先通过基于网络集成的方法或基于相似度与模块度优化的方法对多维关系网络进行社区划分,基于网络集成的方法是将多种行为关系网络转化为一种行为关系网络,通过拉普拉斯算子计算网络的软社区指标,然后对软社区指标进行聚类来实现社区划分。基于相似度与模块度优化的方法是根据用户节点邻居以及链接的相关信息,计算两个用户节点的相似度,并构成相似度矩阵,然后利用模块度优化的方法对相似度矩阵进行划分。为了预测用户与种子用户之间的链接,本文提出了基于多种链接关系的用户挖掘方法,该方法首先根据两个节点的共有邻居,计算在单维关系上的链接强度,然后通过网络中的所有链接关系运算,计算两节点在所有关系上的链接强度,并选择出与种子人群具有较高链接强度的用户作为潜在用户。2.基于位置与行为关系网络的用户挖掘,本文重点研究了基于地理位置与行为关系网络的用户挖掘问题,提出了一种基于异构信息网络社区划分和邻域选择相结合的用户挖掘方法。该方法首先通过基于联合聚类的社区划分或基于R-L模型的社区划分来发现社区。基于联合社区划分方法是分别建立每种类型节点的拉普拉斯算子,然后计算该算子的软社区指标,并构建所有算子的联合软社区指标,通过对联合软社区指标进行聚类来实现社区划分。基于R-L模型的社区划分方法是将异构网络中的连接映射为关系节点,并根据关系节点之间的Tanimoto系数构建关系网络,然后利用社区发现算法对关系网络进行社区划分,并将关系社区映射为相应的用户社区。为了预测潜在目标用户与地理位置节点之间的链接关系,本文提出了基于多维关系上的邻域选择方法,该方法通过多种关系的运算,只选择出用户在强关系之内的所有邻居,然后根据邻域中连接到目标地理位置节点的邻居所占比例作为用户节点到地理位置节点的链接强度,并选择出与目标地理位置具有较高链接强度的用户作为潜在用户。3.基于兴趣标签与行为关系网络的用户挖掘,本文重点研究了基于兴趣标签与行为关系网络的用户挖掘问题,提出了一种基于元路径与有监督学习模型相结合的用户挖掘方法。该方法首先根据异构信息网络中用户与用户、用户与兴趣标签、兴趣标签与兴趣标签之间的关联,定义用户到兴趣标签的元路径特征,并计算用户到兴趣标签在元路径上的特征值,形成元路径特征向量。为了预测用户潜在的兴趣标签,本文提出了基于逻辑回归模型的兴趣标签预测和基于社区划分的兴趣标签预测两种方法。基于逻辑回归模型的兴趣标签预测方法是针对训练数据中用户到兴趣标签的特征向量建立逻辑回归模型,并利用该模型对用户的元路径特征向量来预测用户的潜在兴趣标签。基于社区划分的兴趣标签预测方法是对异构网络中的兴趣标签进行重叠社区划分,通过训练数据对划分的若干个兴趣标签社区分别训练分类器模型,然后对用户的元路径特征向量使用训练的多个分类器模型进行分类,计算出所有分类结果中每个兴趣标签的频率,选择出频率较高的若干个兴趣标签作为用户的潜在兴趣标签。最后根据给定的兴趣标签,选取出目标兴趣标签的潜在用户。综上所述,本文在不同网络拓扑结构下进行了用户挖掘的研究,对于广告的精准投放具有重要的理论意义和应用价值。