近些年来,随着互联网、移动互联网的发展,以微博、微信等社交平台为代表的社交媒体也迅速发展起来。社交媒体促进了用户之间的沟通和交流,方便了用户信息的获取,正在成为人们日常生活中不可或缺的一部分。用户在社交媒体上的行为产生了大量的社会网络数据,其中就包括用户的属性信息数据。然而,由于用户不愿意暴露隐私信息等原因,用户的属性信息存在着缺失、不完整的现象,这给人们对于在线社会网络的研究带来了困难。因此一些研究者开始研究社会网络中的用户属性信息推断问题,来增补和还原用户属性信息中缺失和不完整的部分。然而目前的属性推断方法主要是根据无权网络来解决属性推断问题,没有考虑到用户节点之间关系的强弱,在属性推断问题上,关系强的邻居节点应当比关系弱的邻居节点起到更大的作用。本课题在微博用户构成的社会网络中进行了属性推断的研究。首先,本文介绍了几种传统的属性推断算法,并考察了传统属性推断方法在实验数据集上的属性推断效果。然后,本文采用两种方法来判别社会网络中的强关系和弱关系,一种是设定相似性阈值的方法,另一种是基于社区发现的方法。在判别了强弱关系的社会网络中,使用强关系邻居加权投票的方法来完成属性信息的推断任务,其中强关系邻居指的是与未知节点具有强关系的邻居节点并且该邻居节点属性已知。另外,本课题通过Node2vec算法在网络数据上训练每个节点的向量表示,将属性推断问题看作节点分类问题,将节点表示向量作为节点的特征训练分类器,通过分类的方法来解决属性推断问题。进一步地,本课题在节点特征中增加强关系邻居属性信息这一特征,重新训练分类器并对节点进行分类。实验发现,基于强关系的加权投票和强关系邻居属性信息特征的增加对于属性信息的推断均产生了积极的影响,验证了强关系邻居应当在未知节点的属性推断问题上起到更大作用这一命题的合理性。