随着互联网的不断完善和网络技术的飞速发展,网络社交应用已经成为人们日常生活中的一部分。随着数据量的增加,社交网络的大数据分析成为一个具有挑战的研究领域,数据量包含用户生成的大量内容和复杂的人际关系,使得热门的方向之一是影响最大化问题,主要问题是如何量化每个用户的影响,以及如何识别出社交网络中最具影响的用户。本文基于豆瓣同城活动数据进行研究,旨在提出适用性更广、考虑因素更全面的影响最大化算法。首先,研究了基于时间-主题的影响最大化问题。从用户参与活动的历史信息可以获取用户的主题分布,这样用户参与的活动就可以反映出用户的主题偏好,而最近参与的活动更能反映出用户的主题偏好,所以本文将时间因素和主题因素应用到PageRank算法中,提出了时间-主题的影响模型,实验表明本文提出的算法更有效的评价用户的影响。其次,研究了基于位置的影响查询问题。由于活动的举办是线下进行的,仅研究用户的主题偏好并不能满足需求,所以应当考虑用户的位置偏好,设计了一个LR-Tree索引结构,其中每个节点都存储用户的主题和位置偏好,可以对给定的查询请求有效的识别种子节点。为提高种子选择的效率,提出了基于LR-Tree的启发式算法和改进的启发式算法来提高种子选择的效率。最后,设计并实现了一个运用本文算法的影响最大化查询系统,将提出的想法应用于实际。