社交网络用户属性推断是指从社交网络平台数据中推断用户未公开的属性信息（如性格倾向、家庭位置、兴趣爱好等）,这些属性信息能够为个性化服务、互联网监管、大数据分析等领域提供可靠的数据支持。社交网络用户属性推断一直以来受到工业界和学术界的广泛关注,现有方法一般通过统计分析、嵌入表示等方法得到用户信息的特征化描述,然后采用有监督学习、回归分析等手段推断用户的属性类别或者属性值。但是,现有方法在实际应用中还存在以下两个方面问题:1)在信息利用方面,没有充分考虑与用户属性推断相关的多方面信息以及这些信息之间的关联性。2)在特征表示方面,经典的特征表示方法（如统计分析、嵌入模型）不能准确表示用户特征。这两方面问题都导致了用户属性推断最终准确率不高。为此,本文对社交网络用户属性推断方法进行研究,主要贡献概括为如下两个方面:（1）提出了基于知识图谱元路径的用户倾向推断方法。该方法利用知识图谱对异质信息具有高效组织力和良好解释性的特点,建立了用户与社交网络多方面信息之间的联系,实现了多方面信息的利用并考虑了信息之间的关联性。此外,该方法在知识图谱的基础上,设计了元路径游走算法来提取多维游走特征,利用该游走特征能更准确地对用户进行特征表示。实验表明,本文所提出的方法在信息利用、特征表示、倾向识别等方面都取得了良好的效果。（2）提出了基于多模态信息融合的用户位置推断方法。该方法综合选取了与用户位置相关的三方面模态信息,并基于张量融合理论计算了这三方面模态信息间的关联性,解决了信息利用不充分和未充分考虑信息间关联性问题。此外,该方法构建了多模态信息融合模型,该模型通过信息压缩模块、张量融合模块以及位置推断模块对三方面模态信息进行处理,能够得到更准确的用户特征。通过实际数据测试,该方法能够充分利用与位置相关的多方面信息并考虑其关联性,并在用户特征表示和位置属性推断上取得了良好效果。