移动互联网的蓬勃发展使得人们很容易建立关系,因此全球范围内存在高度分散的在线社交网络。如此大量的在线数据可以用于刻画实体与实体之间的关系,使得社会网络分析成为研究热点。随着研究的深入,网络分析已经从早期的单一结构特征分析,发展到多种网络结构的联合挖掘以及多源信息的融合分析。社交网络融合分析是将多来源、多关系类型和异构的信息融合在一起,并以统一的分析框架对这些信息进行融合分析,实现协同挖掘任务。基于此背景,本课题针对面向大规模信息网络的融合分析系统进行了研究,解决单一数据来源刻画不够准确的问题。研究内容主要分为如下三点:1.提出了一种基于多类型数据的学术社交网络融合建模方法。本研究首次利用致谢文本数据,构建了一个基于文本信息的学术社交网络,然后基于论文合著半结构化数据进行相同实体建模,达到采用多网络对同一实体不同社交关系进行建模。研究并解决了多类型数据构成多层网络的网络优化与对齐问题,最终获得学术社交多层网络。2.提出了基于半监督学习的网络结构融合算法SFMN。融合算法分为两部分,特征提取和预测模型:首先,对多路网络进行结构级的网络特征提取,去除网络中的亢余信息,识别网络中的互补信息;然后,训练梯度增强决策树提升识别保留互补信息的能力。最终将多层网络构建一个富含信息的单层网络,达到降低网络层数,节省计算开销的目的;SFMN模型在链路预测和社团发现两个任务中展现了比其他模型更优秀的性能。研究还针对大规模网络计算分析难点提出了基于Spark的分布式融合算法实现PSFMN。3.设计并实现了大规模信息网络融合分析原型系统。系统以分布式计算框架为架构,提供将多来源数据导入到系统中构建网络结构,并完成多种网络分析任务的功能。结合了主流的前后端框架和新型非关系型数据库等技术,为用户提供了友好的交互方式和界面,实现大规模网络融合分析挖掘。