在线社交网站是web2.0时代的标志性产物,它改变了人们的生活方式,数以千万的用户在社交网站上联络好友、分享动态、参与活动。社交网站提供基本资料页面供注册用户填写,如性别、生日、地理位置、教育背景、兴趣爱好等等,然而现实却是,社交网站的用户资料存在着严重的不完整、不准确问题。本文研究社交网络中的用户属性推测方法,主要贡献包括以下三点:第一,传统关系型数据分类方法是基于不同的应用场景提出的,本文详尽考察了相关的经典算法,并在真实社交网络用户属性数据集上进行横向对比实验,对照实验结果对经典算法的优劣展开讨论。第二,本文结合社会学中“强关系”和“弱关系”的划分,分析了利用同质性进行属性推测的本质,提出了“同质边”与“异质边”的概念,指出“异质边”是影响属性推测的噪音。随后本文引入扩展的欧式距离,提出一种自学习的边的同质性度量,使用该度量采取简单的删边降噪手段,实验证明了结合该自学习度量的降噪手段的有效性。该部分研究展示了寻求有效的数据预处理手段,可以在一定程度上提高属性推测的准确率。第三,本文提出一种新的用户属性推测方法——跳数限制的近邻算法(Hops Limited Relational Neighbor),它主要针对经典算法LI(Local Iterative)的不稳定问题,一个重要缺陷是迭代轮数增加时,准确率先上升后下降。通过在LI算法框架下,重新设计邻居节点的投票过程,加入更加细致的标签传播控制、标签传播距离限制和膨胀操作,在准确率可比的前提下,大幅度提高了LI算法的稳定性。