在线社交网络的发展与普及给人们的日常生活带来了极大的便利,如今每天有多达数十亿的用户活跃在社交网络上,产生了大量的社交信息。其作为巨大的信息交流与分享的生活服务平台,深刻影响着人们的生活方式,如人们在遇到问题时,会向社交网络中的专家用户咨询以解决问题,因而网络中专家用户的识别便尤为重要。然而人们对专家的需求不仅仅局限于专家擅长的专业领域,专家的位置因素也不可忽视,这样的专家被称为本地专家。本文便是对社交网络中的本地专家进行挖掘,通过识别网络中的本地专家,为用户提供更加个性化的服务。本地专家对当地信息的收集与传播有着重要的意义。基于位置的社交网络(LBSN——location-based social network)融合了线上关系与线下行为,通过位置特征将虚拟社交空间和现实行为空间连接起来,其迅速发展所产生的海量带有位置的社交行为数据,为本研究提供了重要的理论依据。本文从网络中个体的“主题”性和“地域”性出发,分析社交网络中个体的主题权威度和地域权威度,并量化其专业程度。本研究针对LBSN数据,充分利用网络中包含线上线下社交行为的拓扑结构信息、以及节点的内容和位置信息,从网络结构、信息内容和交互位置多个角度对本地专家进行挖掘研究,提出一种基于评论的本地专家发现算法(LER)。首先,对数据集中用户活跃行为的地域特征及类别偏好进行分析,以证实网络中本地专家的客观存在性。在此基础上基于给定查询形成候选专家集合,为了更加准确的衡量候选专家的本地专家水平,文章充分利用网络中的各种信息,从个人属性、社交关系、评论语义以及位置偏好多方面对候选专家水平进行分析和量化,并将多维量化分值线性相加构建本地专家评分模型。为了方便对模型的学习,本文基于聚类算法对城市中的兴趣点进行选取,并对数据集中已有专家标注的用户进一步进行本地专家的标注。同时,基于极大似然估计的思想设计有效的算法对于模型中的评分权值进行训练学习,最终提出本地专家发现算法,设计并实现了本地专家发现原型系统。为验证本文提出算法的效果,本文在评论社交网络Yelp真实的城市数据集上对几种专家发现算法分别进行了实验,通过对实验结果的对比和分析可以得出本文提出的算法(LER)相较于其他几种对比算法取得了更好的效果。