随着互联网的普及和信息技术的快速发展,越来越多的人通过社交网络进行日常的沟通交流和信息获取,社交网络已经成为人们生活中不可或缺的一部分。信息在社交网络中的传播速度极快,社交平台上的热搜事件很可能只是在几分钟前才发生的,并且信息的扩散范围也很广,理论上可以覆盖整个网络。由于新用户的不断加入,社交网络的规模逐渐庞大,其中的内容和数据日趋丰富。基于以上特点,不少商家开始在社交网络中进行病毒式营销,以推广他们的产品,而影响力最大化问题是病毒式营销中商家们最为关注的问题,它旨在社交网络中寻找到k个种子节点,使这些节点能在社交网络中达到最大的影响范围。近些年来,已有众多学者对此问题进行了深入研究,并取得了一些有价值的研究成果。然而,目前影响力最大化问题的研究几乎只在无符号网络中进行,忽略了用户之间的极性关系。在某些特定的场景下,如果不考虑极性关系,所需的影响力范围将会被高估。极性相关的影响力最大化问题中,最具应用价值的是积极影响力最大化。例如,在病毒式营销场景中,商家更关注的是商品的好口碑范围,即积极影响力范围。因此,本文在符号网络中研究了积极影响力最大化问题,主要研究工作如下:（1）基于反向影响采样的思想,提出了一种积极影响力最大化算法RIS-S。首先,该算法在生成反向可达集时考虑了节点之间的极性关系,对能够加入到反向可达集的节点进行了筛选,提高了反向可达集的质量。然后,针对反向可达集之间可能会产生节点重叠的现象,限制了最大的采样深度。最后,在三个符号网络数据集中进行了对比实验,实验结果表明,RIS-S算法在解决积极影响力最大化问题时要比同类型的算法IMM表现更加优异。（2）积极影响力最大化问题是NP-Hard问题,传统的贪心算法和启发式算法在求解时都有着各自的缺点。为此,本文提出了一种基于遗传算法思想的积极影响力最大化算法GA-PIM。首先,为了提升初始种群的质量,GA-PIM算法在种群初始化阶段通过效度筛选策略挑选初始种群的个体。然后在变异阶段,该算法将替换节点的选择范围扩大到整个符号网络,以避免算法陷入局部最优值。最终的实验结果表明,GA-PIM算法的精度接近于贪心算法IC-P Greedy,但运行时间大幅减少,可以认为该算法在准确度和运行效率方面达到了较好的平衡。