随着在线社交网络的蓬勃发展,通过大数据分析用户的行为属性,面向目标用户建立相应标签的精准营销和个性化推荐越来越具有应用价值。本文主要围绕面向目标用户的最小节点问题进行研究。本文采用用户画像区分目标用户与非目标用户,首先针对单一传播环境下面向目标用户的最小节点问题(NLC-TU)展开研究。NLC-TU问题旨在寻求最小的初始种子节点集,使得初始种子节点集的信息传播范围可以覆盖目标用户群体中预期数量的用户。考虑社交网络中节点传播能力的不同,本文提出了受限传播模型(LD-IC),证明了在该模型下NLC-TU问题是NP-hard问题,并且NLC-TU问题的信息传播函数在LD-IC模型下具有单调性和子模性。本文提出贪心算法来解决这个问题并且分析了贪心算法的精度保证。然而贪心算法耗时长,难以应用于大型社交网络。考虑到在LD-IC模型下节点的局部影响力可以近似表示全局影响力,面向目标节点的局部影响力启发式算法(TU-LIH)被提出。在四个真实社交网络上的实验证明了我们提出的算法高效且具有可拓展性。随后,考虑现实网络中信息传播的复杂性,本文在NLC-TU问题的基础上针对竞争环境下面向目标用户的最小节点问题(CLC-TU)展开研究。假设网络中的用户可以接收并且传播多种信息但是最后只会被其中一种信息影响,本文提出了竞争受限传播模型(LD-CIC),证明CIC-TU问题在LD-CIC模型下是NP-hard问题,并且该问题的信息传播函数在LD-CIC模型下具有单调性和子模性。本文提出了改进的竞争贪心算法和面向目标用户的竞争影响力算法(TU-CIH)来解决CIC-TU问题,并且通过在不同的数据集上的实验,验证了本文提出的算法的可行性和高效性。