网络中的高影响力节点对网络的结构和功能具有的重要影响,因此高影响力节点挖掘是网络科学的关键问题之一。本文将就高影响力节点识别的两个方面展开研究:本文的第一部分主要研究在动态网络中重要节点识别算法的时间偏向性问题。以引文网络作为研究对象,考察了传统的节点中心性算法对高影响力论文的识别情况,发现这些算法识别出的高影响力论文在时间上均有较大程度的时间偏向性,多数算法更倾向于选择年龄较大的经典论文而忽略较新的优质论文本,因为这些较新的优质论文相对于经典论文没有足够的时间去积累如引用数量等优势。本文提出了一种利用时间窗口来重整化节点中心性算法的方法来降低结果时间偏好,即对所有节点按时间顺序进行排序,然后对于每一个节点,都设置一个以其自身为中心的一个邻域半径作为其时间窗口,因此这个邻域半径内的所有节点就与该节点有着相似的年龄,先用中心性算法计算出各个节点得分,再对每一个节点以其时间窗口所在区间为范围进行重整化计算。使用重整化后的得分对各个节点进行重要性排名,这种方法可以在很大程度上降低识别结果的时间偏好。同时相较于传统算法,此方法能够在更短的时间内识别出相对较新的高影响力节点,并使用两个引文网络数据集对此方法进行了分析和验证,其识别结果表现出较强的时间平衡性。第二部分研究的是高综合影响力的节点群的识别。经典方法通过单个节点重要性指标选择高影响力节点,而多个重要节点的综合影响力更值得讨论。基于此,本文从多节点的综合影响力角度出发,基于瑞利熵机制,首先分析了个体影响力和多节点的综合影响力之间的关系,指出多节点的综合影响力小于单节点的影响力之和。然后提出了一个指标刻画多节点的综合影响力,并设计了一个高效的贪婪算法选择一组关键节点,从而最大化多节点的综合影响力。四个真实网络上的信息传播实验验证了新算法的有效性。