现实社会中,网络无处不在,交通网络、社会网络、生物网络、电力网络、学术网络等,各类网络层出不穷,网络的规模也不断增大。因此,网络分析技术在许多研究领域正在发挥着越来越重要的作用,例如链路预测、信息扩散、社区检测等。近年来,受到“口碑效应”、“谣言控制”和“病毒营销”这些实际问题的影响,影响力最大化问题的研究日益引起人们的关注,成为新的研究热点。影响力最大化问题是指从网络中找到一定数目的节点,让这些节点在给定的影响力传播模型下可以影响网络中最多的节点,从而达到网络中影响力传播最广的目的。现有的影响力最大化算法大多是在同质网络上进行研究,忽略了网络中复杂的异质关系以及不同类型节点的特殊属性。由于现实生活中的网络几乎都是异质网络,现有的基于同质网络的算法在实际应用中受到了极大的限制,所以研究异质网络上的影响力最大化算法具有重要意义。异质网络结构复杂,且规模日益增大,如何利用异质网络复杂的结构特征以及不同类型节点属性来研究异质网络中的影响力最大化成为亟待解决的关键难点问题之一。面对这一难题,本文提出了两个异质网络影响力最大化算法MAHE-IM和SCHGTIM,分别从不同的角度整合异质网络中复杂的多重关系、高级的拓扑结构特性以及不同类型节点特征,充分捕获异质网络的异质性,从而有效地识别出异质网络中高影响力的节点。本文的主要研究工作和贡献如下:（1）提出基于多重异质关系嵌入的异质网络影响力最大化算法MAHE-IM（Multiple Aggregation of Heterogeneous Relation Embedding for IM）。该算法利用多种不同种类和不同长度的元路径下的异质网络嵌入捕捉复杂的多重关系结构和语义特征,并提出一个权重机制来刻画多重关系中全局和局部的特性,最终依据节点间的相关性以及节点在相关节点中的出现次数来综合选取影响力高的节点集合（种子集）。为了更全面地评估MAHE-IM,除了与四个已有的影响力最大化方法比较之外,我们将十四种常见的同质网络嵌入方法和异质网络嵌入方法扩展到影响力最大化问题,并与MAHE-IM算法进行比较。在五个异质网络上的实验结果表明,MAHE-IM算法选择出的种子集具有更好的影响力表现和更少的运行时间。此外,我们还从信息传播模型的迭代次数、种子集属性以及种子集尺寸等多方面与其他算法进行了系统的比较,进一步验证了MAHEIM算法的有效性。并且,为了最大化方便用户的使用,我们开发了MAHE-IM算法的在线服务平台,该平台除了MAHE-IM算法,还包括了我们扩展的其他影响力最大化模型的实现。（2）提出基于自监督聚类异质图Transformer的异质网络影响力最大化算法SCHGT-IM（Self-Supervised Clustered Heterogeneous Graph Transformer for IM）。影响力最大化问题与网络中高级的拓扑结构特征密切相关,而聚类方法可以有效地捕获复杂高级的网络结构,但现有的基于聚类的影响力最大化方法都是在同质网络上进行研究,基于聚类的异质网络上的影响力最大化方法还尚未有人研究过。另一方面,基于元路径的方法需要研究人员对数据集充分了解,对相关领域有足够的先验知识。针对这两大挑战,我们将属性图聚类方法与异质图Transformer方法融合起来,并应用自监督的训练方法,提出了SCHGT-IM算法。该算法将节点类型的元关系、边类型的元关系和聚类类型的元关系进行组合,同时抽取异质结构信息和节点异质性,之后根据节点相关性获取种子集。对于信息扩散模型方面,我们提出了聚类级联模型（Clustered Cascade model,CC model）,从而使得信息扩散过程更加符合现实生活。此外,我们与五个常见的影响力最大化算法进行比较,并在三个异质网络上进行了实验,实验结果验证了SCHGT-IM算法在影响力传播以及算法效率上都优于其他算法。