近年来,随着时代的发展,科技的进步,传媒的多元化,许多大型社交网络如Facebook、Twitter、新浪微博、微信、抖音等新兴传媒迅速兴起,社交网络的影响力传播也越来越成为研究的热点。在许多社交网络中,个体之间具有正、负两种相反的关系,例如朋友和敌人、合作与竞争、赞成与反对等。这就形成了对同一个物品、同一种观点的不同评价,形成了两种截然相反的、具有竞争性的影响力。此外,社交网络平台的开放性导致谣言、八卦和其他类型的错误信息的传播,这会导致负面信息在网络中迅速传播。负面信息和正面信息、假消息和真消息在网络中形成了竞争关系。我们称这种具有两种竞争影响力的传播网络为竞争社会网络。为了占领网络宣传阵地,我们要扩大正面信息的传播范围,同时有效地抑制负面信息的传播。因此,对网络影响力传播分析的研究对于舆情分析、谣言控制、疫情追踪和控制有重要的应用价值。然而,当前对于网络影响力传播分析的研究主要集中在对正影响力传播的最大化上,而对网络中负影响力的抑制,仅仅局限于负影响力的源是已知的情况。并且,现有的方法对于影响力传播范围的估计大都采用蒙特卡洛模拟的方法。由于该方法的计算复杂度较高,它不能应用于大规模的网络中。因此,本研究针对网络舆情分析、谣言控制、疫情追踪等应用背景,在深入讨论分析了目前国内外有关影响力传播的研究现状的基础上,分别针对正影响力传播最大化、负影响力传播源的定位、基于确定源和不确定源的负影响力抑制最大化等问题进行了深入研究。本文研究工作的创新点如下:1.研究了基于独立级联模型上的带符号网络上的正影响力最大化方法。提出了一组正、负影响力在带符号网络上的传播规则,由此来建立传播模型来描述两种影响力的传播过程,避免了耗时的蒙特卡洛模拟。提出了一种基于传播路径的算法来计算节点之间的激活概率。定义了一种影响力增量函数,提出一种算法来选择影响力增量最大的节点作为最优种子集。在真实社会网络上的实验结果表明,我们的算法能够获得比其他类似方法更大的正向影响力传播范围。2.研究了独立级联模型上基于表示学习的影响源定位算法。提出了基于独立路径来计算节点间的激活概率的算法。用路径长度和被观察节点激活时间的差检验考察顶点作为传播源的合理性。提出了发送隐空间与接受隐空间的概念,将网络节点分别映射到这两个隐空间中。提出了一种基于表示学习的影响源定位算法,通过用户在这两个空间中的相对位置估计用户成为传播源的概率,进而来确定传播源。实验表明,我们的算法所发现的源可以激活更多的观测节点,并且观测节点激活时间比其他算法更精确。3.研究了基于凝聚集的线性阈值传播模型上的对负影响力抑制最大化方法。提出了基于线性阈值模型下最大凝聚集的概念,分析了凝聚集的基本性质,利用凝聚集来估计正种子集对负面影响力的抑制效果,缩小对种子节点的搜索空间,避免了蒙特卡洛模拟,降低了时间复杂度。提出一种线性阈值模型上生成凝聚集的算法,和线性阈值模型上负影响力抑制最大化算法。实验结果显示,我们的算法比其它算法能够抑制更多的负影响。4.研究了不确定源的负影响力抑制最大化方法。提出了竞争影响力的线性阈值传播模型。基于该模型,在活边子图上定义传播树来估计影响力传播。基于活边子图中的传播树,提出了一种算法来计算每个正种子对于负影响力的抑制增量。提出了一种基于节点删除的算法来检测正种子,以最大限度地减少不确定源的负面影响。实验结果表明,与其他方法相比,我们的算法能够将正面影响传播到最大范围,并实现对负面影响力的更大的抑制。