影响力最大化(Influence Maximization,IM)问题就是在社交网络中选出k个种子用户来最大化影响力传播,做为一种社交分析技术,已经成为了社交网络领域的研究热点,并且有着广泛的应用,如信息推广,产品推荐等。然而先前的研究者没有考虑如下现实中的场景,以产品推荐为例,一家公司可能要在社交网络中同时推销多种类型产品,这些产品类型之间不具备竞争关系,除此之外,公司给定免费额度k有限,并且每个用户对产品的种类具有不同的偏好,对应到同一社交网络,即存在多种信息同时传播,每个用户对信息的接受程度受自身的主观意向所支配,因此考虑到这种场景,本文提出多影响力最大化问题(Multiple Influence Maximization),该问题基于如下两种基本性质:(1)一个种子用户能够免费接受多种产品或者一种产品同时推荐(2)非种子用户能够自由接受其好友的推荐。针对性质(1),当种子用户能同时免费接收多种产品推荐时,我们提出了重复性多影响力最大化问题(Repetitive Multiple Influence Maximization,RMIM),当种子用户只能接收一种推荐时,我们提出了非重复性多影响力最大化问题(Non-Repetitive Multiple Influence Maximization,NRMIM)。传统的贪心算法是解决IM问题的有效途径,然而它并不能直接应用于MIM,因此在本文中我们提出了分别应用于RMIM和NRMIM的贪心算法框架即RMIM-Greedy和NRMIM-Greedy,同时,为了简化影响力的计算及考虑到社交网络中信息沿着多条路径传播的性质,我们还提出了新型的影响力计算模型,并且将该模型应用于MIM问题。除此之外,考虑到大规模社交网络的情形,我们提出了基于独立划分调度的并行算法,即Parallel RMIM-Greedy和Parallel NRMIM-Greedy。应用我们所提出的影响力计算模型,对于RMIM问题,并行算法Parallel RMIM-Greedy保证了近似比1-1/e,其中e代表自然对数,而对于NRMIM,我们发现了与传播模型无关的带有累积误差近似性质。经过大量的实验发现,我们所提出的算法优于的常用的启发式算法,并且具有更快的运行速度。