基于社交网络的服务在智能设备普及下飞速发展,常见的移动终端增值业务包括商品推荐（如淘宝）、地点推荐（如大众点评）、服务推荐（如网易云音乐）等。以往用户倾向于接受身边朋友们“口口相传”的线下推荐,如今基于社交网络关系的线上“病毒营销”（即影响力最大化问题）更受广大商铺青睐——它不仅考虑了用户的社交关系、缓解了推荐系统中的稀疏性等问题,而且能从用户各方面的行为抽取用户特征,使推荐结果更符合用户偏好。因此,基于社交网络的影响力最大化问题具有重要的理论研究和应用指导价值。本研究输入社交关系及用户行为,输出影响力最大的K个种子节点。在抽取一张有效且有理论依据的影响力图的基础上,估算用户之间的影响概率,设计并实现了一个基于PageRank优化算法的PPV概率迭代模型;最后,以实际的数据集对模型进行测试验证,MAE、RMSE等评测指标优于其他传统算法。本研究主要成果如下:1.社交网络及用户行为场景分析现有研究大都基于社交网络自身的拓扑结构分析,而忽略了节点本身的属性对影响力的重要性。本研究通过场景分析及相关概念定义,以社交网络拓扑结构、行为为基础,抽取识别出用户群组,构建可供分析、有理论依据的影响力图。该图结合了网络拓扑结构本身和用户历史行为抽取出的群组特征,解决了影响力图理论依据的同时,加强了不常使用社交网络或新加入社交网络用户（即孤立节点）的体验。2.影响概率学习基于PageRank优化算法构建的概率模型针对孤立节点作特殊处理,并以蒙特卡洛采样优化计算时间代价。为了解决现有研究中直接赋值、历史行为抽取等传统方法理论依据缺乏、抽取结果单一等不足,本研究以影响概率模型的核心迭代式解释了影响力图节点状态变化的原因:拓扑结构方面,本研究分析了拓扑结构上每个状态之间变化情况及变化概率;节点本身方面,本研究抽取用户历史行为获取节点自身特征,以PPV向量表示。3.概率模型展示系统及实验验证为了验证本模型的准确性和有效性,本研究最后基于实际的一个EPC商铺推荐项目,选取了同样基于地理信息的社交数据集Gowalla,验证本模型效果。本研究最后以商铺地点营销为应用场景,设计实现了一个影响力最大化问题种子节点获取的CS架构原型系统。当厂商发起推荐请求后,在线计算根据线下识别出的用户群组关系,将推荐的用户种子节点反馈给厂商客户端,这一部分的计算相对消耗时间空间较少,满足用户请求即返回的实时性。同时,在试验中以本研究概率获取方式与传统的影响力获取方法进行了评分、usage等评估指标（如MAE、RMSE）对比。借鉴蒙特卡洛采样,本研究较传统的循环迭代过程减少了采样的数量,也解决了该问题本身不易取样的难点。从实验结果看,PPV模型的影响概率学习效率优于传统算法。