随着互联网的快速发展,具有社交属性的应用越来越多,例如最右,趣头条等。这些应用的特点是用户量庞大、用户之间相互关联、信息在这些应用上传播速度快,范围广。研究病毒式营销,舆情分析和流量监控等影响力最大化问题是非常重要的。但是,现有解决影响力最大化问题的启发式算法没有考虑到种子节点影响力重叠的问题。针对影响力最大化问题中种子节点存在影响力重叠的问题展开研究。首先,由于网络的社区结构会影响信息的传播范围,提出了基于社区结构的影响力最大化算法CIMA。该算法定义了社区适应度和节点贡献度来删除社区中连边稀疏的节点和选择与社区联系紧密的节点,并以此为基础划分社区;基于社区划分的结果,在各个社区中选择度最大的节点作为种子节点。其次,针对影响力最大化问题的时间复杂度较高的问题,提出了基于覆盖阈值的影响力最大化算法CTMD。该算法根据改进的影响力估计算法k-shell来计算网络中所有节点的影响力,选择影响力最大的节点作为第一个种子节点;计算种子节点集合两级邻居以内的节点被激活的概率;基于覆盖阈值θ,把易激活的节点标记为覆盖状态,选择影响力最大并且处于非覆盖状态的节点作为种子节点。最后,在人工网络和真实的网络数据集上对所提出的算法进行了实验验证。对CIMA算法、度最大算法Degree和影响力排名影响力估计算法IRIE的影响效果进行了比较与分析;在独立级联IC和权重级联WC模型中,对CTMD算法、核覆盖算法CCA、Degree算法和IRIE算法的影响效果和运行时间进行比较与分析。