随着社交媒体网络的迅速发展,利用用户的动态行为构建用户画像以解决对定制化信息服务不断增长的需求至关重要。用户会参与多个社交媒体网络以满足多样化的需求。同一物理属性可由多个社交媒体网络上的行为推断出来。融合多源信息有利于推断用户属性,以提供更好的定制化信息服务。但是在多源用户物理属性推断中仍会面临三个问题:数据中存在矛盾、数据标签缺失和数据源缺失。因此,本文研究并解决了多源用户物理属性推断中遇到的三个问题,并在应用中验证了其实际效果。本文的研究内容和主要贡献如下:(1)提出了基于层次自编码器的多源用户物理属性推断方法。旨在解决多源用户物理属性推断中如下两个问题:1)数据中存在矛盾:动态行为与稳定物理属性之间存在矛盾,以及同一用户不同社交媒体网络上行为之间可能存在矛盾。2)数据标签缺失。本文的基本思想是:同一用户不同社交媒体网络上行为之间的共享模式反映了他/她一致和稳定的物理属性。为了实现这一思想,本文提出了层次自编码器来挖掘不同社交媒体网络之间的非线性关系以获得行为之间的共享模式。在学习共享模式时利用了无监督的方法,降低了层次自编码器对共同用户账号的要求,提升了模型的实用性。然后,使用SVM根据提取出的共享模式推断用户的物理属性。在从三个社交媒体网络上爬取的真实数据集上的实验证明了所提方法的有效性。(2)提出了基于对抗学习的多源用户物理属性推断方法。旨在解决多源用户物理属性推断中的数据源缺失问题。基于不同社交媒体网络上的行为在统一用户属性空间中的映射结果与社交媒体网络的类别无关这一发现,所提方法同时在对抗环境下训练一个网络源分类网络,以降低层次自编码器对训练数据的要求。包含单网络用户在内的所有用户均可被用于挖掘动态行为特征空间和统一用户属性空间之间的关联。在数据源缺失的状况下,依然能在学习共享模式时发挥层次自编码器非线性的优势。在从三个社交媒体网络上爬取的真实数据集上的实验证明了所提方法的有效性。(3)多源信用评估的应用。旨在验证多源用户物理属性推断的实际效果。把用户物理属性实例化为微博的阳光信用,爬取微博和网易云音乐两个中文社交媒体网络上的行为后,利用两层集成学习框架评估用户信用。在两层集成学习框架的第一层,使用了本文提出的层次自编码器,以无监督的方式解决了数据中存在的矛盾,提高了信用评估的准确率。通过具体的应用验证了多源用户物理属性推断的实际效果。