影响力最大化是社交网络分析领域的重要研究内容,其目标是通过选取尽可能小规模的关键节点来实现社交网络中影响范围的最大化。传统的影响力最大化算法分为三类,即基于传播的影响力最大化算法、基于拓扑结构的影响力最大化算法和基于社区发现的影响力最大化算法。基于传播的影响力最大化算法以改进贪心策略为研究方向,贪心策略往往以高昂的时间开销换取传播范围的增加,不适合大规模社交网络。本文着重研究基于拓扑结构的影响力最大化算法和基于社区发现的影响力最大化算法,针对两类算法存在的缺陷与不足,分别提出了相应的改进算法。(1)基于节点覆盖范围的影响力最大化算法基于拓扑结构的影响力最大化算法通过选取合适的中心性指标来避免富人俱乐部现象,但是,该类算法未能很好地解决传播过程中的重复邻居问题。本文提出一种基于节点覆盖范围的影响力最大化算法,该算法将节点覆盖范围作为种子节点选取的中心性指标,有效避免种子节点选取时过于集中的富人俱乐部现象。另外,本文对所提出的算法进行了CELF优化,有效减少了运行时间。实验结果表明,本算法所选出的种子节点集合传播范围更广,且运行时间短,尤其适合大规模网络。(2)融合社区结构和节点覆盖范围的影响力最大化算法传统基于社区发现的影响力最大化算法首先利用社区发现结果选取候选种子节点,然后再使用贪心策略或遗传算法从候选节点中选取最终的种子节点集合。但在实际中,很难事先设定一个合适的候选集规模。本文提出一种融合社区结构和节点覆盖范围的影响力最大化算法,该算法直接利用社区发现算法将网络划分为多个区域,然后依据节点在各自所属社区内的覆盖范围增益进行种子节点选取,无需选定候选集。该算法从社区划分和节点覆盖范围增益计算两个角度全面避免富人俱乐部现象,最大限度地确保影响力最大化。在IC和WC模型下的实验结果表明,在相同的种子节点规模下,该算法比其他算法的影响范围更大,并且,随着种子节点规模及传播概率的变化,该算法表现出良好的稳定性。该论文有图9幅,表2个,参考文献80篇。