伴随互联网技术的出现,各类在线社交媒体平台逐渐兴起,人们开始倾向于通过社交平台进行信息交流。用户通过信息交流而产生的转发行为形成了信息级联,信息级联不仅包含用户的社交活动信息,也反映了用户的喜好、价值取向等。因此,基于信息级联,对用户社交数据信息进行挖掘并分析是一项有价值的研究工作。影响力最大化与影响力预测是社交信息研究的重要方面,影响力最大化研究中通过评估用户的影响传播范围能够了解信息扩散的必要因素,影响力预测研究中通过预测用户的信息扩散情况可以更准确地估算其影响力值。二者相辅相成,紧密关联,但各自又面临不同的挑战。影响力最大化算法是通过评估用户影响扩散情况,遴选出能产生最大影响传播范围的指定数目用户集合,然而该类算法在面对大型复杂网络时,往往难以同时满足其求解精度与效率上的要求。影响力预测算法是通过消息的历史扩散信息,预测将来时刻影响的传播方向或规模,然而该类算法的预测效果依赖于特定传播模型的假设且常常受限于网络拓扑结构等信息。针对上述问题,分别进行深入研究并提出对应方案,具体工作内容如下:（1）传统爬山贪心算法尽管能以较高精度选取影响力最大的种子节点集,但因其需进行数万次的蒙特卡洛模拟运算过程,运行时间复杂度较高,在面对大型复杂网络时情况更甚。为解决这一问题,基于独立级联模型提出将蒙特卡洛模拟运算过程转化为局部概率解（LPS）函数。为验证该函数的有效性,融合种子候选池方案将LPS函数拓展到贪心策略算法中,提出基于种子候选的贪心（SCGreedy）影响力最大化算法和基于种子候选的偷懒贪心（SCLF）影响力最大化算法。在四个真实数据集上的实验表明,LPS函数的求解精度与数万次的蒙特卡洛模拟几乎一致且运行效率得到较大提升,提出的SCGreedy和SCLF算法在影响传播范围指标上与目前最先进的偷懒贪心CELF算法性能相一致,并且在运行时间上比CELF算法快了约五个数量级。（2）基于特定传播模型的预测方法不适用于现实社会网络中的信息传播情况,且影响预测效果的网络拓扑结构等信息难以获取。针对影响力预测研究中面临的问题,基于信息级联的时间序列信息,提出多重依赖扩散注意神经网络（MDDAN）,通过循环神经网络和注意力机制分别捕获信息级联的顺序依赖与非顺序依赖关系。为提升基于级联的影响力预测模型的鲁棒性,提出基于级联的对抗优化（CAO）策略,并将其应用至MDDAN中,从而提出对抗性多重依赖扩散注意神经网络（AMDDAN）。在三个真实社会网络数据集上的实验表明,MDDAN的预测性能优于目前最先进的级联预测模型,且添加了对抗性扰动的AMDDAN提升了MDDAN的鲁棒性。