现实生活中,事物与事物之间的联系构成了网络。随着事物之间的联系日趋复杂,复杂网络受到了广泛的关注和研究。其中,影响力最大化是研究的热点课题。基于贪心的影响力最大化算法通常能取得较大的传播范围,但十分耗时;基于启发式的影响力最大化算法虽然运行时间短,但由于其未考虑网络的社团结构以及节点之间的内部联系,因此传播范围较小。基于贪心和基于启发式的影响力最大化算法都难以同时获得较大的传播范围与较短的运行时间。因此,本文提出了一种基于节点度与网络最大派系相结合的度值衰减算法(MaxCliDN)来提高基于启发式的算法的传播范围,该算法利用网络最大派系来降低相邻节点的影响力覆盖范围,从而扩大选取出的种子节点集的传播范围。同时针对基于贪心的算法(CELF)计算复杂度较高的问题,本文提出了一种节点影响力排序算法(Deg_Ncliq),该算法使用节点的度值和邻居节点所存在的派系社团数之和(D_Ncilque)作为节点的影响力排序标准,从而缩短了CELF算法的运行时间。利用独立级联模型将所提出的两种算法与经典的算法在7个公开数据集进行对比实验,验证了所提算法的有效性和高效性。实验结果表明,MaxCliDN算法的传播范围要优于传统基于启发式的算法。同时,Deg_Ncliq算法与传统CELF算法相比,在能够保证传播范围的情况下,缩短了传统CELF算法的运行时间。