Information networks today play an important, fundamental role in regulating real life activities. However, many methods developed on this framework lack the capacity to adequately represent sophistication contained within the information it carries. As a result, they suffer from problems such as inaccuracies, reliability and performance. We define relational intelligence as a combination of affective (Cambria, 2016; 2015 [1], [2]; Hidalgo et al., 2015 [3]), sentimental (Ferrara and Yang, 2015 [4]; Wang et al., 2013 [5]; Madhoushi et al., 2015 [6]) and ethical (Vayena et al., 2015 [7]; Nunan and Di Domenico, 2013 [8]; Anderson and Guyton, 2013 [9]) developments reflected in the evolving patterns of online social structures. These developments involve the ability of actors to adaptively regulate emotions, values, interest and demands between each other in an online social scene. In this paper, we provide a state-of-the-art overview of approaches used in recognizing relational intelligence — with special focus given to Online Social Networks (OSNs). The important core processes of data mining, identification (extraction), detection (labeling), classification, prediction and learning which empower machine recognition tasks will be discussed in detail. In addition, widely affected applications like recommending, ranking, influence, topic modeling, evolution, etc. will also be introduced along with their basic concepts uncovered to a detailed degree. We also include some discussions on more advanced topics that point to further interesting future research directions.

今天的信息网络在规范现实生活中起着重要的基本作用。但是，在此框架上开发的许多方法都缺乏足够的能力来表示包含在其信息中的复杂性。结果，它们遭受诸如不准确性，可靠性和性能的问题。我们将关系智能定义为情感的组合（Cambria，2016； 2015 [1]，[2]； Hidalgo等，2015 [3]），情感的组合（Ferrara和Yang，2015 [4]； Wang等， 2013 [5]； Madhoushi等人，2015 [6]）和道德方面的发展（Vayena等人，2015 [7]； Nunan和Di Domenico，2013 [8]； Anderson和Guyton，2013 [9]）发展反映在在线社会结构的演变模式。这些发展涉及演员有能力调节情绪，价值观，在线社交场景中彼此之间的兴趣和需求。在本文中，我们提供了用于识别关系智能的方法的最新概述-特别关注了在线社交网络（OSN）。将详细讨论授权机器识别任务的数据挖掘，识别（提取），检测（标记），分类，预测和学习的重要核心过程。此外，还将介绍受到广泛影响的应用程序，如推荐，排名，影响力，主题建模，演变等，并详细揭示其基本概念。我们还对一些更高级的主题进行了讨论，这些主题指向了进一步有趣的未来研究方向。我们提供了用于识别关系智能的方法的最新概述-特别关注了在线社交网络（OSN）。将详细讨论授权机器识别任务的数据挖掘，识别（提取），检测（标记），分类，预测和学习的重要核心过程。此外，还将介绍受到广泛影响的应用程序，如推荐，排名，影响力，主题建模，演变等，并详细揭示其基本概念。我们还对一些更高级的主题进行了讨论，这些主题指向了进一步有趣的未来研究方向。我们提供了一种用于识别关系智能的方法的最新概述-特别关注了在线社交网络（OSN）。将详细讨论授权机器识别任务的数据挖掘，识别（提取），检测（标记），分类，预测和学习的重要核心过程。此外，还将广泛介绍诸如推荐，排名，影响力，主题建模，演变等受到广泛影响的应用程序，并详细揭示其基本概念。我们还对一些更高级的主题进行了讨论，这些主题指向了进一步有趣的未来研究方向。识别（提取），检测（标记），分类，预测和学习，这些将增强机器识别任务。此外，还将介绍受到广泛影响的应用程序，如推荐，排名，影响力，主题建模，演变等，并详细揭示其基本概念。我们还对一些更高级的主题进行了讨论，这些主题指出了进一步有趣的未来研究方向。识别（提取），检测（标记），分类，预测和学习，这些将增强机器识别任务。此外，还将介绍受到广泛影响的应用程序，例如推荐，排名，影响力，主题建模，演变等，并详细揭示其基本概念。我们还对一些更高级的主题进行了讨论，这些主题指向了进一步有趣的未来研究方向。