随着计算机领域技术的不断发展,针对复杂网络方向的相关研究引起了大量学者的关注,其中影响力最大化问题对于舆情管控、疫情防控等具有重要的理论价值和现实意义,因此已成为复杂网络领域的热点之一。影响力最大化问题是指在一个特定的传播模型中挖掘一定数量的种子节点,使其影响力能够得到有效且广泛的传播。然而,影响力最大化问题既有研究成果主要关注单一同质网络,通过引入启发式剪枝来捕获网络拓扑结构,以发现影响力最大化节点集。在现实世界中,节点用户经常会同时属于多种类型网络,各类型网络之间是相互影响并且相互依存的。对于多种类型网络建模有两种形式,包括单一异质网络和多层网络,由于单一异质网络的组成形式仍然为单层网络,忽略了网络层间存在的结构信息,因此包含多元信息的多层网络模型进行节点的影响力最大化问题研究更具有现实意义。此外,限于剪枝策略,经典方法在种子集选择过程中会不可避免地丢失部分种子信息,且无法直接应用于多层网络,导致降低了方法的有效性。针对上述问题,本文引入网络表示学习技术,该技术可以学习整个多层网络的特征表示,且弥补了传统影响力最大化方法在种子集选择过程中丢失部分信息的缺点。至此,本文提出一种基于多层网络表示学习的影响力最大化方法,具体研究工作如下:（1）在多层网络表示学习中,为了获取含有网络结构特征的语料库,本文采用随机游走在网络层间和层内进行节点遍历。首先,传统的网络表示学习模型缺乏对节点局部结构特征的学习,因此为了使网络表示学习模型学习到丰富的网络信息,本文使用共同邻居数描述节点之间的相似性,并且使用集聚系数描述节点之间信息的传递性,通过Cluster Rank思想将两种指标融合,进一步提出一种引导随机游走的节点结构指标;其次,引入一个跨层参数进行网络层间随机游走。最后,根据上述随机游走策略形成节点序列,并采用Skip-Gram模型使随机游走序列的似然概率最大化。从多层网络基本概念入手,结合上述两种随机游走策略,提出一种基于多元信息随机游走的多层网络表示学习方法IFMNE。在五个真实的多层网络上进行验证,并通过链路预测任务对嵌入向量进行评价,在时间复杂度较低的基础上,准确度得到了很大提升,进一步证明了引导随机游走的思想具有可行性;（2）在上述研究基础上,利用IFMNE模型对网络中节点进行表示,并将节点的嵌入向量进行聚类,得到聚类中心之后,使用其相对应的节点作为候选种子集。然后,从候选种子集中利用贪婪策略选择最具影响力的节点。至此,提出一种基于多层网络表示学习的影响力最大化方法MNEIM,其根据候选种子节点筛选策略可分为两种方法,即MNEIM-1方法和MNEIM-2方法。首先,MNEIM-1采用K-means算法对节点嵌入向量进行聚类得到K个聚类中心,由于K-means算法得到的聚类中心不一定有真实数据集中所对应的节点,所以采用KD树搜索K近邻个节点作为候选种子集,而MNEIM-2直接利用DPC算法选择前K个中心节点作为候选种子集;然后,通过传统的贪婪算法CELF筛选种子集;最后,在六个多层网络真实数据集上进行验证,与传统的影响力最大化方法相比,MNEIM方法在传播范围上优于现有的启发式算法,且比贪婪算法具有更高的时间效率,进一步证明了引入多层网络表示学习方法的思想具有可行性。在MNEIM方法中,MNEIM-1方法的传播效果和扩展性强于MNEIM-2方法,但MNEIM-2方法在小规模数据集上的效果还是有一定优势。