社会网络是社会个体成员因为互动而形成的相对稳定的关系体系,社会成员之间能够相互影响。当某人采纳某种新思想或接受某种产品后,他会向他的朋友推荐,朋友接受后会进一步向自己的朋友推荐,这是所谓的“病毒式营销”,这种营销方式能影响一大批人。随着互联网技术和Web2.0的发展,在线社会网络成为人们交流沟通的重要平台,并影响到人们的线下生活。因此,社会网络中的影响最大化问题成为国内外学者的研究热点之一,它定义为如何有效选择K个个体作为产品营销或观念传播的初始对象,然后通过病毒式营销,最终使得网络中受影响的节点个数最多。影响最大化的研究在产品营销、政策推广、传染病抑制、谣言的遏制等方面有很高的理论意义和应用价值。本文针对社会网络中的不同应用场景,研究了信息传播过程中的影响最大化问题,具体如下。首先,针对传统贪心算法时间复杂度太高的缺点,基于遗传算法提出了IM_GA算法。为了克服IM_GA算法的早熟现象,在遗传算法中周期性地加入模拟退火算法,提出IM_GA_SA算法。为了提高算法的运行速度,在计算种子集合的影响范围时,采用其对网络的预期影响力作为衡量指标。通过实验验证算法的有效性。其次,针对微博网络中衡量用户影响力时仅根据用户属性或利用网页排名方法的不足,提出用户影响力排名方法UPR。为了最大化微博用户的影响力,提出影响最大化算法IM_UPR。UPR方法基于PageRank算法并结合了数据分析得出的规律。用户的初始影响力通过粉丝数、近期微博质量、活跃度等特征衡量。IM_UPR算法基于UPR方法和微博转发路径。通过实验验证UPR方法的合理性以及IM_UPR算法的有效性。再次,根据初始用户在经济利益激励下会进行多次传播的特点,提出基于独立级联模型的信息传播模型MTIC。该模型具有单调性和子模性。为了实现成本和影响范围的最优结合,提出基于动态规划思路的影响最大化算法BCIM。在BCIM算法中,将备用种子集合分为若干组,在每一组中最多选择一个节点作为种子。为了降低算法的计算复杂度,用节点对最短路径上的近邻节点的预期影响力来衡量节点的影响范围。通过实验验证算法的有效性。最后,针对网络的不断变化问题,提出动态网络下的影响最大化算法DIM。在此算法中,采用网络快照表示动态网络,按照动态网络信息传播过程生成节点的最大影响范围,采用贪心思路寻找影响力增量最大的节点作为种子。为了降低计算复杂度,在计算节点的影响力增量时,将种子集合对某节点的激活概率近似为每个种子对该节点的激活概率之和。通过实验验证算法的有效性。