随着信息化时代的迅速发展,大量在线社交网络平台随之产生,如Friendster、Myspace、Bebo、Facebook、微博以及贴吧等等,发现这些网络的聚类结构及交互规律已成为当前的研究热点之一。研究者提出大量无监督的网络聚类结构发现方法,但其聚类准确率不高。而半监督网络聚类能够利用先验信息提高网络聚类准确率,但其依赖于先验信息的质量。主动学习可以选择高质量的网络节点进行标记,其不仅保证了先验信息的质量,而且保证了用较少先验获得最大聚类性能提升。因此,面向网络结构发现的主动学习具有重要的研究价值。目前有一些研究者提出了一些用于社区发现的主动学习方法,但其选择的网络节点对具有混合模式的网络结构发现无效。具有混合模式的网络可能不存在社区结构,或存在其他聚类结构,如二分结构、星型结构以及多种结构的混合等。因此,有必要面向网络结构发现目标,设计主动学习算法,提高具有多种聚类模式的网络结构发现性能。本论文主要完成了以下几方面的研究内容:(1)针对面向属性网络分类的主动学习BMAL(Batch Mode Active Learning)算法,在只考虑网络节点链接信息的情况下,不能有效选择使网络结构发现性能提升最大的最优节点集合的问题,提出一种面向网络结构发现的批量主动学习算法BMAL_NMS(Network with Mixture Structures)。该算法基于未标记节点的最大不确定性、最大影响力和最小冗余性三个策略选择最优节点集合。实验结果表明BMAL_NMS算法能够选择使网络结构发现性能提升最大的节点集合。(2)针对BMAL_NMS算法不能充分利用网络节点属性信息的问题,融合网络节点属性信息和链接信息,提出面向属性网络的批量主动学习算法BMAL_CLF(Content and Link Fusion)。该算法采用表示学习将节点属性信息和链接信息表示成节点向量,然后将节点向量作为算法输入,利用目标函数的子模型迭代选择最优节点集合。实验结果表明BMAL_CLF算法优于BMAL_NMS算法。(3)将面向属性网络的批量主动学习算法BMAL_CLF应用于CSDN用户画像中,根据用户的各种行为数据与发表的博客内容数据,选择具有代表性的CSDN用户。并将选择的用户作为先验信息,运行半监督属性网络结构发现算法。实验结果表明BMAL_CLF具有一定的应用价值。