摘要:社交关系的数据挖掘一直是大图数据研究领域中的热门问题.图聚类算法如SCAN （structural clustering algorithm for network）虽然可以迅速地从海量图数据中获得关系紧密的社区结构，但这类社区往往只表示了社交对象的聚集，无法反馈对象间的真实社交关系，如家庭成员、同事、同学等.要获取对象间真实的社交关系，需要更多维度地挖掘现实中社交对象间复杂的交互关系.对象间的交互维度很多，例如通话、见面、微信、电子邮件等，而传统SCAN等聚类算法仅能够挖掘单维度的交互数据.在研究社交对象间的多维社交关系图数据与传统图结构聚类算法的基础上，提出了一种有效的子空间聚类算法SCA （subspace cluster algorithm），对多维度下子空间的图结构聚类进行研究，目的是探索如何通过图数据挖掘发现对象间真实的社交关系.SCA算法遵循自底向上的原则，能够发现社交图数据中所有子空间的聚类集.为提升SCA的运行速度，利用其子空间聚类的单调性进行了性能优化，进而提出了剪枝算法SCA+.最后进行了大规模的性能测试实验以及真实数据的案例研究，其结果验证了算法的效率和效用.

摘要:微博情感分析是社交媒体挖掘中的重要任务之一，在个性化推荐、舆情分析等方面具有重要的理论和应用价值.挖掘性能良好且可同步进行文档主题分析与情感分析的主题情感模型，近年来在以微博为代表的社交媒体情感分析中备受关注.然而，绝大多数现有主题情感模型都只简单地假设不同微博的情感极性是互相独立的，这与微博生态的现实状况不相一致，从而导致这些模型无法对用户的真实情感进行有效建模.基于此，综合考虑了微博用户相互关联的事实，提出了基于LDA和微博用户关系的主题情感模型SRTSM（social relation topic sentiment model）.该模型在LDA中加入情感层与微博用户关系参数，利用微博用户关系与微博主题学习微博的情感极性.针对新浪微博真实数据集上的大量实验结果表明：与代表性算法JST，Sentiment-LDA及DPLDA相比较，SRTSM模型能够对用户真实情感与讨论主题进行更加有效的分析建模.