随着移动互联网和大数据技术的快速发展,社交网络正逐渐成为信息分享和传播的重要渠道。影响力最大化问题是指从网络中找出小部分最具有影响力的群体,使得信息能够最大限度地发生扩散。影响力最大化问题在广告投放、舆情控制、疾病防控等领域取得了广泛的应用,因其具有广泛的应用场景和重要的社会意义,已经成为了网络科学中一个热门的研究方向。寻找网络中的小部分具有影响力的节点已经被证明是NP难问题。在已有的影响力最大化算法中,传统的贪心算法通常能取得较高的准确度,但是需要反复地遍历网络节点导致消耗大量计算资源。而启发式算法虽然能够快速求解,但由于其搜索能力有限且易陷入局部最优,故准确度难以得到保障。此外,现有算法仅限于找出节点,而无法有效解释节点的影响力特性。针对现有算法存在的缺陷,本文利用深度学习强大的特征表示能力来解决影响力最大化问题。本文深入分析信息在网络中的传播特性,构造出影响力近似矩阵,该矩阵能够同时保存网络的结构特征和节点的影响力特性,而且避免了蒙特卡洛非常耗时的计算。通过深度自动编码器重构影响力近似矩阵,提取出网络节点深层且非线性的影响力特征表示。在此基础上,利用节点的影响力表示,找到网络中最具有影响力的节点,而不是利用贪心的思想逐个寻找节点。在多个真实社交网络中的实验结果表明,该方法可以找到网络中最具有影响力的种子节点集合,所选的小部分种子节点能够引发大范围的影响力传播。为了提高算法的运行效率,本文提出了一种基于影响力覆盖度的新型节点重要性度量方法。基于该方法对网络中的节点进行预选择,在保证最终影响力传播效果的前提下,能够大幅缩小种子节点的候选范围。此外,本文在原有算法基础之上,对影响力近似矩阵加入随机噪声,通过深度降噪自动编码器学习到更具有表现力和鲁棒性的节点影响力特征表示。通过实验结果证明了节点预选择策略能够缩小近40%的节点选择范围,而且当初始种子个数发生变化时,仍然能够获得稳定的影响力传播结果。