影响最大化是社会网分析的一个重要研究方向,在广告营销,舆情控制等领域具有广泛应用,影响最大化方法旨在寻找一组具有较高影响力的初始种子节点,最大化传播和扩散节点的影响范围。目前主要的影响最大化方法主要是针对同质社会网,同质社会网只是现实世界同类对象与对象之间关系的一种简述,并不能真正的表达现实社会中多种对象类型之间的社会关系。异质社会网中多种对象类型,多种对象间关系类型蕴含着丰富的结构和语义信息,有助于揭示社会网蕴含的深层信息,进而促进影响最大化在实际中的应用。同时,异质社会网中复杂的关系给影响最大化的研究带来了新的挑战和机遇。一方面,异质社会网中不同对象间的不同关系使得对象间的影响权重难以度量,对象间的影响权重与对象类型息息相关;另一方面,带位置服务的应用将在线社会网与现实社会连接在一起,使社会网从一个虚拟的世界转变为与人类生活息息相关的复杂的关系网,分析异质社会网中用户的行为和地理位置间的关系,有助于线下商家推广自己的产品和服务。基于以上两个问题,本文的主要工作和创新概括如下:（1）提出了异质社会网中基于影响权重的影响最大化算法IMIWH。该算法提出参与熵和交互熵的概念度量异质网中节点间的影响权重,据此度量了线性阈值模型下异质社会网中节点的影响力,通过计数节点到邻域内其他节点的简单路径数量,度量节点的全局影响。（2）在基于位置的异质社会网中,提出了基于位置约束的异质社会网影响最大化算法TRIM。首先,提出了TRSAK算法确定与目标位置相近且高度关联的位置集合形成的区域;然后,基于RR set采样技术计算节点的影响力以最大化目标区域的影响。（3）基于IMIWH算法和TRIM算法实现了异质网影响最大化原型系统,首先上传社交网络数据集并输入算法参数;其次,通过算法模块分析该社交网络中节点的影响力并返回种子集;最后,将种子集反馈到系统界面给用户。