随着互联网技术的快速发展,在线社交逐渐成为了一种人们的日常生活方式。但是,随着社交数据积累速度的加快,人们很难在海量的数据背景下快速的找到想要的数据资源并应对相关情报,因此,设计并实现一个用于发现社交网络中有影响力用户的系统具有很大的应用价值。本文在网络表示算法的结果上划分网络社区,并在子网中进行网络影响力最大化的研究,本文主要工作内容如下:在网络表示方面,针对整张网络数据量大,数据分布不均匀的情况,提出了一种基于弧形动态自学习的网络表示算法,通过信息的传播过程度量节点间的相似度,选取与目标节点相似度高的邻居节点,通过Skip-Gram方法进行网络中节点的表示。实验结果表明,在节点分类任务中,本文提出的算法与对比实验相比在宏观F1值指标上最大提高了 22.62%。在影响力最大化方面,针对传统链路分析算法中需要设置超参带来的计算复杂度高以及忽略了用户行为因素的影响等问题,本文提出了一种全局影响力排序的算法。分别从随机游走时的规则跳转概率和随机跳转概率两个方面改进了 LeaderRank算法,不仅结构上利用了Ground Node使网络全连接的优势,还添加了对用户行为属性的分析,增加了网络在语义上的可解释性。实验结果表明,本文提出的算法所选出的有影响力的Top-K用户作为独立级联模型的种子节点进行扩散传播时,相较于对比实验能够影响更多的用户。设计并实现了一个基于网络表示社团划分的影响力用户发现系统,该系统采用模块化的设计思想,主要包括四个模块:数据处理模块、网络表示模块、社区计算模块和系统管理模块,系统能够在给定网络数据的情况下找到模块度最小的社区,进而在每个社区中找到有影响力的用户,性能测试的结果表明系统具有操作简单,响应速度快等优点。