影响力最大化是以病毒式营销为背景、信息传播模型为基础的种子节点选择问题,广泛应用于广告投放、谣言预警等领域,已成为社交网络分析中的研究热点。然而现有的大部分研究通常应用于某个特定的社交网络,只分析一个网络中的各类数据,导致用户的影响力评估准确率低、影响范围窄。为此,本文以单网络影响力最大化为出发点,研究跨网络影响力最大化问题。首先,由于跨网络影响力最大化以影响力的跨网络传播为基础,而这种传播又需要不同网络间的跨网络用户作为媒介,所以高效准确地识别出不同网络间跨网络的用户是本文的第一个研究目标。其次,在保证较优时间效率的前提下从跨网络环境中挖掘出比单网络环境中更高效的种子节点从而解决跨网络影响力最大化问题是本文的又一研究目标。具体而言,本文的研究内容如下:(1)针对现有算法在身份识别时对整体数据集进行两两匹配造成的低效性,以及忽视用户兴趣特质导致准确率不高的问题,研究并设计了基于用户兴趣的跨网络用户身份识别算法(UI-UI)。首先,利用分块思想对用户的账号节点进行初筛选,以提升算法效率。其次,在身份识别过程中综合考虑用户的主题兴趣和交互兴趣作为识别依据,并通过反向验证进行剪枝以减少错误匹配对后续识别结果的负面影响,从而提高准确率。最后,实验结果表明,UI-UI算法能有效识别跨网络用户,且运行效率、准确率和召回率均优于基准模型。(2)针对单网络环境下用户的影响范围窄、影响力传播效率低的问题,研究并设计了跨网络影响力最大化的两阶段算法(TP-IMaN)。首先,提出兴趣驱动的跨网络影响力传播模型(ID-IPM)。该模型不仅通过跨网络用户的“桥梁”作用进行网络耦合,而且综合考虑跨网络用户在网络内部、网络之间进行信息传播的特殊性以及用户兴趣特质计算节点间影响概率,以提高用户影响力的传播范围。其次,基于ID-IPM模型,利用启发式算法和贪心算法分两阶段进行种子节点的挖掘,以提升算法效率。最后,实验结果表明,TP-IMaN算法在跨网络环境中挖掘种子节点比单网络更为高效,且影响范围优于基准模型。