随着计算机技术的快速发展,互联网内的各种社交网站大量兴起,其中最具代表的当属新浪微博和Facebook,它们在人际交往着起着不可替代的作用,是一种全新的社交方式,人们通过社交网络可以分享兴趣以及建立亲密的联系,拓展人们的生活方式,这些社交互动产生了规模庞大的信息库,如何挖掘社会网中具有重大商业利益的潜力,是一个值得挑战的领域,而在其中影响最大化问题则是其中的焦点问题。社会网络影响最大化问题在病毒营销和消息传递中被广泛研究,目的是能够选出大小为K的节点初始集合,使其通过影响传播模型传播之后在整个社会网络带来的影响收益最大。影响最大化问题的研究基于一种特定的社会网络,以往的研究大多基于的社会网用户成员之间的关系总是积极影响,用户节点被激活之后只有一种状态并且整个社会网激活的节点状态都是相同的,我们称这种社会网为无符号社会网,但是实际中社会网节点之间的关系既有积极影响也有消极影响,通过积极影响和消极影响所激活的节点的状态是不同的,我们称这种社会网络为有符号或极性社会网。无符号社会网和极性社会网的结构不同,原来的传播模型在极性社会网中不能适用,相应的影响最大化算法也需作出改进。而且针对不同的主题偏好,相同的节点初始集合所得到的影响传播收益明显不同,这些都是亟待解决的问题。针对上述影响最大化研究中的问题和挑战,本文从以下两个方面进行研究:(1)针对无符号社会网和极性社会网结构不同,传播模型不适用问题,在极性相关的社会网影响最大化算法中,我们对IC模型进行扩展,加入质量因子q,提出了一种新型传播模型IC-P,在此模型基础上,我们将给出积极影响最大化算法PIM和消极影响最大化算法NIM,为了降低算法的时间开销,在算法中加入了子模特性提高了算法的时间效率,最后将通过实验数据加以验证。(2)针对不同的主题感知下算法准确性问题,虽已有大量相关主题偏好的研究,但都是基于无符号社会网,在极性社会网影响最大化算法中相应的研究还比较缺乏,本文通过在极性社会网中加入主题偏好因素,研究极性社会网下主题感知的影响最大化问题。利用用户亲密度和主题相似度计算出不同主题下的传播概率,通过设置主题阈值(?)t对节点预处理,删除主题敏感度较低节点,提高算法效率。