近年来,随着在线社交网络的快速发展和移动定位技术的广泛应用,位置社交网络（Location Based Social Networks,LBSNs）在信息传播中所扮演的角色愈加重要。在LBSNs中,用户可以通过在一个位置上签到来记录自己的访问历史并分享自己的感受,进而影响他们的朋友也来访问该位置。基于位置社交网络的这一特点,许多商家将其作为商品推广以及营销的主战场,即在位置社交网络中选择种子用户（影响力最大的一组用户）并且凭借他们的影响力为商家进行宣传。位置推广被定义为LBSNs中的影响力最大化问题,即如何在LBSNs中寻找最优的一组用户,并借助他们发布的信息将LBSNs中待推广商家的位置、产品和服务等信息快速推广给更多的用户,从而帮助商家用最少的广告成本获取最大的经济收益。在位置推广研究中,如何对信息在位置社交网络中的扩散过程进行建模以及如何选择种子用户使得其推广效果最好是两个最主要的研究内容。但现有的位置推广研究大都只在单一社交网络中进行,忽略了重叠用户（同时加入多个社交网络的用户）的跨网络信息扩散能力,同时缺乏对于用户行为模式的挖掘。而对于种子选择算法,大多数研究者使用贪心算法或者启发式的算法来选择种子用户。相较于启发式算法,使用贪心算法选取的种子集合可以影响更多的用户,但是其时间复杂度也会更高,如何应用到跨多个社交网络值得进一步研究。为此,本文提出了一种高效的位置推广方法,其中包括了跨位置社交网络的传播模型（C-LBSN-PM）和基于鞅分析的距离约束反向可达草图选种算法（Distance Constraint-IMM,DC-IMM）。C-LBSN-PM 传播模型充分考虑了重叠用户在两个不同社交网络中的影响力并且根据实际情况考虑了重叠用户之间的信息传播阻断机制。在度量位置社交网络中信息的扩散概率时综合考虑了用户历史访问兴趣、用户签到移动性、用户之间的签到相似性以及信息强度随时间的衰减等因素。DC-IMM种子选择算法在反向可达草图算法的低时间复杂度和高准确率的基础上,减少了需要生成的草图数量,降低了选种算法的空间复杂度。另一方面,现有的位置推广研究中,很多研究者忽略了信息在位置社交网络中的传播需要一定时间,并且在这段时间内位置社交网络的结构已经发生了变化。如何考虑动态网络中的位置推广是本文需要研究的问题。针对该问题,本文提出了一种基于融合网络预测的动态位置推广方法。首先对基于融合网络预测的动态位置推广问题进行了定义,随后提出了一种可以对融合社交网络进行预测的方法。在该方法中,首先对融合社交网络中的锚节点进行拆分,拆分之后再使用多层LSTM以及自编码器进行网络结构的预测。最后,基于预测的社交网络结构进行信息传播和种子选择。最后,本文选取内容丰富的位置社交网络YELP并将其拆分成两个社交网络作为实验数据集。本文首先确定了距离约束的反向可达草图种子选择算法中约束距离的数值和跨位置社交网络的信息传播模型中不同特征的参数。随后通过影响范围、准确率和召回率三个指标评估本文提出的C-LBSN-PM传播模型。实验结果表明,本文提出的传播模型在保证了传播范围的情况下,准确率和召回率相比本文选择的对比传播模型更高。随后本文从影响范围、准确率、覆盖率和时间复杂度方面对选种算法进行了评估,实验结果表明DC-IMM选种算法的运行时间较短,同时选种的准确率也更高。最后本文验证了基于融合网络预测的动态位置推广方法,在预测后的融合位置社交网络中进行种子用户的选择,并且通过以上评估指标与真实融合网络的选种结果进行对比,实验结果表明本文提出的动态位置推广算法取得了良好的效果。