随着互联网技术的飞速发展，网络信息呈指数级增长，“信息过载”和“信息迷航”等问题日益严重，对社会网络媒体信息进行组织和挖掘以丰富和增强现有的搜索和浏览技术变得越来越迫切。本课题在课题组已有研究成果基础上，借鉴数据挖掘、机器学习、拓扑学等领域的研究成果，充分考虑用户、资源及交互信息的冗余性、模糊性，多维性、时效性等特点，深入研究了社会网络媒体信息组织和挖掘方法，主要研究了如下内容：1) 围绕主题词多阶、多层次语义关联学习、低维词向量的有效表示及重要词的识别、融合外在知识库的主题分类及层级关联学习开展了交互信息语义挖掘方面的研究，以发现深层次语义信息，在实际数据集上的实验分析表明，所提方法有助于帮助用户全方位深入理解主题，提高他们浏览感兴趣主题内容的效率；2)在“相似用户组发现”方面，研究了融合交互语义与用户链接特征的潜在特征空间的协同发现方法，融合信息传播影响因子的用户组演化模式挖掘方法，在实际数据集上的实验分析表明所提模型可以检测到有意义的相似用户组，并及时跟进事件的发展动态，从而为信息组织与浏览研究提供更高层次的动态视角；3) 在“有影响力用户预测”方面，研究了行为网络的构建方法，对行为网络结构特征进行挖掘，设计了基于数量、范围和时效三种要素的集成化影响力度量准则, 以此为基础，基于社交网络分析中用户潜在行为趋势分析理论中的同质性、个体影响、延续性及时效性四个因素，利用边预测模型研究了一种预测用户影响力的混合模型，在数据集上的实验分析表明，该方法能够有效的对用户影响力走势进行预测；4)在“用户、资源及交互信息关系挖掘”方面，研究了集成用户、资源及交互信息的概率矩阵分解信息空间构建模型，融合时间衰减函数，学习得到用户在潜在特征空间的兴趣分布向量，实现对未来兴趣的预测，在数据集上的实验结果表明，与现有方法相比，所研究的方法能更准确地捕捉用户的兴趣，为用户推荐满足其需求的信息。在上述研究基础之上，课题研制了面向社会网络媒体的信息组织和挖掘原型，实现事件的主题演化分析、影响力用户识别、用户兴趣分析预测及推荐，为用户提供更好的信息浏览与服务质量。