社会网络是研究现实世界的一种分析视角,影响最大化和社区发现的研究已经成为当前研究的热点和关键问题,大量的社会应用使得这些问题的研究变得非常迫切。这些研究有助于成功地发布电子商务产品的广告,优化有限营销预算资源的使用,协助对疫情免疫、舆情监控、突发事件和群体事件网络传播的预测与干预等。本文基于复杂网络理论、多属性决策理论、多目标优化理论和数据挖掘技术等,对社会网络中节点影响最大化和社区发现进行研究,主要工作和创新成果包括四个方面:(1)建立了基于多指标的社会网络节点影响力综合评估模型本文基于局部、全局、位置、传播动力学这四个视角选择中心性测度,将之视作决策准则属性,构建基于多指标的节点影响力综合评估模型。以模型为基础,本文提出了一种新的动态加权多属性排序方法。方法中给出了一种基于灰色关联分析理论和易感-感染-恢复传染病模型的属性动态加权策略,根据节点属性序列与真实传播能力序列之间的变化趋势相似性来确定权重。最后,进行复杂性分析和实验验证分析,证明方法的有效性和实用性。(2)建立了基于启发式聚类的top-k节点集影响最大化问题模型本文构建了基于启发式聚类的top-k节点集影响最大化问题模型,提出了一种兼具效率和效果的自适应启发式聚类算法。本文主要工作体现在两个方面,一是给出了基于扩展邻域核和最小距离的初始中心选择策略,以加快聚类迭代速度和避免陷入局部最优;二是设计了一种基于路径的动态局部相似性指标,在给定网络的平均最短路径不同的情况下,能够动态自适应调整至最佳模式,实现更高的相似性度量精度。最后,进行复杂性分析和实验验证分析,证明方法的有效性。(3)构建了基于NSGA-II遗传策略的限定预算下影响最大化模型本文结合企业追求营销成本效益的具体应用场景开展影响最大化问题研究,构建了以影响力最大化和营销成本最小化为目标的多目标优化模型。以模型为基础,提出了一种基于NSGA-II的限定预算下影响最大化种子节点集识别算法。算法中给出了种子集寻优范围缩减策略,在确保寻优效果的前提下有效降低计算复杂度。在真实的社交网络上进行实验验证本文模型算法的有效性,并将本文模型与经典的影响力算法进行了对比。(4)提出了基于多目标遗传优化策略的社区发现方法本文基于多目标遗传优化策略的社区发现方法研究,提出了一种基于分类和拓扑信息的多目标遗传优化社区发现算法。算法首先给出了以节点相似性为基础的初始种群随机概率生成方式;接着提出了基于分类的染色体交叉策略,分别加强较优个体的局部探索和较差个体的全局交互;最后设计了一种基于拓扑信息的社区修正策略。本文在GN基准网络、LFR基准网络、以及现实社会网络数据集上,与几种典型社区发现算法开展对比性实验,验证该算法的有效性。