由于良好的即时性和互动性,在线社交媒体逐渐成为人们获取信息和交流的主要渠道。当用户在社交媒体上发布信息之后,其关注者可以接收到该信息并对信息进行再传播。因此,通过信息的传播,用户可以影响他人,使其产生某种想法或做出某种行为。研究信息在社交媒体中的传播模式,有助于对个体或群体的行为进行预测,为专业人员在市场营销、内容推荐和舆论控制等多个方面的决策提供指导和建议。影响力最大化问题是指找出网络中的一定数目的节点,在给定影响力传播模型下,使得这些节点的影响力扩展度,即能够影响的节点数量期望值最大。影响力最大化的研究建立在网络数据的基础上。随着社交媒体用户数量的快速增长、大量社交媒体平台的蓬勃发展,社交网络数据规模庞大、结构复杂,提高了社交媒体中的影响力最大化问题分析与建模的难度。针对这一挑战,本文提出了基于信息传播网络嵌入的影响力最大化问题研究方法,利用网络嵌入方法对于大规模复杂图数据的高效表示,捕捉到用户之间独特的影响力传播特征,快速且精准地识别出社交媒体中高影响力的用户群体。本文的主要研究工作和贡献如下:1.本文对社交媒体关注关系网络进行了长时间的观测,分析其主要特征的变化规律,并探讨了信息的传播和网络结构的演化之间相互影响。该研究为构建信息传播和网络结构的协同演化模型提供了支撑,进而更精准地模拟社交媒体中信息传播的过程,识别出高影响力的用户,实现影响力的最大化。2.针对社交媒体影响力最大化任务中目标用户挖掘的问题,本文提出了基于异质信息网络嵌入的特定用户分类方法,识别目标任务对应的高价值用户。本文首先构建了社交媒体的异质信息网络模型,用元路径表达各类型用户之间的关系,进一步利用基于直推式学习的分类方法,衡量不同元路径对于用户分类的价值,并筛选出其中高价值的元路径。通过基于不同元路径的网络嵌入,学习每个用户的向量表示,并利用注意力机制自动学习各向量的权重,融合得到最终的用户特征向量,利用特征向量的相似性对用户进行分类,取得比现有方法更优的效果。3.针对社交媒体中影响力传播模型参数设计困难的问题,提出了基于信息传播网络嵌入的影响力强度估计方法。本文考虑用户在社交媒体的信息传播过程中可以扮演传播者和接收者两种不同的角色,利用网络嵌入方法,将每个用户作为传播者和接收者时的不同特征分别投影为两个相同维度的不同向量。在此基础上,计算用户之间的非对称影响力强度,并设计影响力传播模型及相应参数。利用该模型能够快速估算用户被多个种子用户影响的概率,在保证影响力最大化算法精确率的情况下有效提高识别社交媒体中高影响力用户的效率。4.针对信息在多个社交媒体中传播特征过于复杂的问题,提出了基于多网络嵌入的影响力传播模型构建方法。本文考虑多网络中,信息的网络内传播和跨网络传播具有不同的模式,构建了异质的影响力传播模型。本文设计了多网络中的随机游走策略,利用基于随机游走的多网络嵌入方法,将用户在每个网络内的特征投影为相同维度的不同向量,并依此设计多网络影响力传播模型的参数,在此基础上寻找在多个社交媒体中具有高影响力的一组用户。实验证明多网络中影响力最高的用户群体与单个网络中影响力最高的用户群体有着显著的差异。