互联网为社交网络提供了更加广阔的发展平台,在以互联网为依托的社交网络中,信息的传播比传统“口口相传”的传播方式更加便捷和高效。社交网络中的影响最大化（Influence Maximization,IM）问题旨在从社交网络中挑选出6)个具有影响力的节点作为种子集,使得从种子集开始的传播可以获得最广的用户覆盖范围。该问题的解决有利于基于社交网络的信息传播预测、舆情引导和网络精准营销等。当前关于IM问题的研究已取得了一些进展,大多数工作通过提出启发式算法研究信息在特定传播模型下的影响因素。然而,这些启发式算法忽略了社交网络中节点本身丰富且复杂的结构特征。因此,寻求一种高效处理复杂数据多种特征的方式是提升IM问题求解精度的关键。Deep Walk研究工作在社交网络分析领域中引入了词嵌入手段,以更加高效地方式来表示节点在网络中的结构特征。基于类似思想,本文以社交网络结构上的用户特征为研究主体,通过网络表示学习技术嵌入用户特征得到代表用户的低维、稠密向量表示,最终进行6)个种子节点的发现。本文主要的研究内容及贡献如下:（1）提出了基于节点影响力偏置游走的网络嵌入和影响最大化算法Nine IM。首先,定义了网络中任意两个节点之间的局部和全局影响力计算方法,继而将二者融合用于度量网络中任意一个节点对其他节点的影响力。其次,构建了在社交网络中基于用户影响力偏置的随机游走算法Node Inf RW,以采样的节点序列构成训练语料库,进行模型训练。最后,根据网络嵌入矩阵计算更高准确度的Top6)影响力节点。与传统的启发式算法相比,Nine IM算法充分考虑了用户影响力所产生的传播偏好,其次,向量化的节点表示更有利于计算用户之间的近似关系;模型更易存储且计算成本低,避免了遍历和嵌入整个网络结构。（2）提出了基于用户角色划分的IM算法。首先,提出了在社交网络中用户的角色划分算法,粗粒度用户角色划分算法CGURD和细粒度用户角色划分算法FGURD。其次,提出了基于用户角色的随机游走策略,扩展了传统随机游走采样过程,以得到训练样本。根据网络中任意两个节点所代表的向量相似度值作为新逻辑网络中边的权重,设置阈值来丢弃一些弱联系的边。最后,提出了在该网络中的启发式影响最大化算法Rbne IM,以获取Top6)影响力节点。与现有IM算法相比,Rbne IM首次将用户角色之间的近似关系引入影响最大化问题,向量化的表示更易于衡量任意两个节点的相似性。通过广泛的数据实验验证了Rbne IM算法的优越性。