学术文献作为科学研究成果的重要形式,其相互引用关系可形成一个网络,为科研人员提供了丰富的参考资料。学术文献网络应用的一个关键问题是如何识别出最重要的论文,该问题可建模为学术网络上的影响力最大化问题。尽管在其他领域影响力最大化受到研究界的广泛关注,但现有研究成果大部分忽略主题因素,并不适用于学术网络。本文考虑主题因素,研究学术网络中影响力最大化问题,通过构建基于主题分布的影响力传播模型,提出了全集上基于主题的最具影响力节点获取算法和指定目标集上基于主题的最具影响力节点获取算法。本文主要研究内容如下:(1)基于主题分布的影响力传播模型。目前大部分影响力传播模型设置节点之间的激活概率时忽略了主题因素。然而在学术网络中节点上信息的主题分布对节点之间激活概率的计算起重要作用。为了更好地模拟学术网络中影响传播的过程,本文对传统独立级联模型进行改进,构建基于主题分布的独立级联模型。实验表明,该模型在解决学术网络中的影响传播问题时具有可行性。(2)全集上基于主题的最具影响力节点获取算法。解决影响力最大化问题的算法可以分为贪心策略算法和启发式算法两类。其中基于贪心策略的算法精确度高,但算法的运行效率较低;而启发式算法运行速度快,但算法的影响范围却无法保证。因此本文结合启发式算法和贪心策略算法优点提出学术网络中基于主题的混合策略算法。实验表明,本文提出的算法影响范围非常接近贪心策略算法,而且运行时间比贪心策略算法降低了36.2%。(3)指定目标集上基于主题的最具影响力节点获取算法。传统的影响力最大化问题是针对整个网络寻找最具影响力的节点,而局部影响力最大化问题是指定目标节点,找到一个种子集使得目标节点受影响程度最大。针对目前局部影响力最大化算法仅考虑网络拓扑结构及局部属性的问题,本文提出学术网络中基于主题的跳步算法。实验表明,本文提出的算法比LND算法对目标节点的影响程度提高了11.3%。