研究社交网络中的用户关系将有助于构建更加完善的社交平台。目前的研究主要集中在单一社交网络中的社交关系预测,但是由于用户交互信息和用户关系标签信息的缺乏,跨社交网络的社交关系预测和研究变得越来越重要。同时,由于现实生活中的社交网络是不断演化的,因此,研究动态社交网络中的链路预测问题,以及跨社交网络的动态社会关系类型预测问题是目前研究的热点。针对以上问题,本文提出了一种新的非对称BP神经网络模型,通过迁移学习的方法用于预测不同社交网络中的社交关系类型;同时在动态社交网络的研究中,提出相应的模型进行链路预测以及跨社交网络动态社交关系类型的研究。具体研究内容如下:1.本文分析社交网络的结构特征,把握不同社交网络之间的共同特征,挖掘目标社交网络的特有属性特征。基于此,提出一个基于迁移学习的非对称神经网络模型用于预测目标社交网络中的社交关系类型。通过在六个社交网络中进行实验验证,并与一些现有方法进行比较,结果表明本文所提出的模型可以有效地预测目标社交网络中的社交关系类型。2.社交网络中用户行为的动态性导致用户之间的关系不断发生变化。为了进一步研究动态社交网络中社交关系的演变,本文充分分析动态有向社交网络中微观结构三元组模体的演化规律,使用合适的时序分析方法预测三元组模体的转换概率,并结合模体内部节点间的连接紧密性,提出一个基于模体演化和连接紧密性的链路预测模型。实验证明该模型能够获得较好的链路预测效果。3.由于社交网络中的社交关系不断发生变化,之前训练获得的分类模型或许不能很好地预测新来的关系样本。基于以上研究,本文结合滑动窗口的方式对跨社交网络中的动态社交关系类型预测问题进行了研究。提出了基于滑动窗口的非对称神经网络模型,用于跨社交网络中的动态社交关系类型预测。