互联网上社会性媒体迅速发展。社会性网络媒体具有话题多变且演化特性,用户海量性,人们交互过程中所形成的关联网络结构复杂且动态变化。由于社会性网络媒体的开放性和低门槛性,以及人群素质的巨大差异以及群众诉求表达方式的多面性,信息传播的快速性,传播范围的不可控性都给社会化网络媒体的管理带来了新问题。媒体中的高影响力用户非常活跃且传播正面信息。识别社会化媒体中的高影响力用户,利用其对社会舆论进行正面宣传引导,对维护社会安定、管理社会秩序、使网络信息走向健康发展具有重要作用和价值。本文研究社会性网络中影响力分析的关键技术,主要内容包括:(1)分析影响力的多维属性及演化规律。在社会化网络中影响力具有社会性、网络性以及动态变化特征。提出影响广度、影响深度和影响持续程度三维量化指标,在社会性和网络性两个角度分析基础上综合量化影响力。综合用户在网络中关联性、用户间交互强度和文章质量所决定的交互深刻程度三种行为特征,多角度评价用户影响力。本文改进Page Rank算法,先从整体角度建立用户间关联矩阵,再从局部角度分析用户行为,建立用户影响力综合分析模型。改进个性化指向增强关系,改进后提高了用户间关联紧密度。在影响力动态变化特性上,从长期性和稳定性角度分析影响力演化模式。对天涯网络论坛数据集的实验结果表明,部分高影响力用户是论坛中的活跃用户,并且长期具有高影响力用户实际引导网络论坛舆论走向。(2)研究影响机理与网络结构间的关系。处于网络中关键位置的节点产生重要作用,研究结构洞用户的识别和影响力分析算法。结构洞是不同社区间的关联区域,网络社区和结构洞是从两个不同角度表示网络的宏观属性,在划分社区的同时考察节点的结构洞特性。结构洞用户在网络中的关联作用不同于社区内高影响力用户。采用多级划分思想识别社区,为了快速合并局部关联紧密区域,提出多种节点合并模式进行图压缩并采用导率函数确定社区边界,在压缩图进行精确划分基础上再进行回溯识别社区,算法复杂度低且能实现大规模图的有效划分。依据结构洞用户在社区内外关联性,提出结构洞用户影响力分析算法。(3)社会化网络的大规模性给影响力分析带来了挑战,研究影响力和网络结构特征的关联关系,提出快速影响力分析方法。对天涯网络论坛真实数据集的统计结果表明,入度和出度分布具有幂律性,且入度为0的用户日平均比例86.16%,出度为1的用户日平均比例64.98%。本文从降低数据存储空间和提高运行效率出发,在真实的网络关联图上,利用度关联的偏斜特性,提出基于集合划分的数据高效节约存储及快速用户排序算法SD-Rank。SD-Rank根据入度是否为0划分为两个集合。对入度为0集合按出度构造链接表改进Page Rank算法。SD-Rank时空复杂性为O(V’),V’为入度非0节点集。SD-Rank排序效率比Page Rank算法提高了39%,并且SD-Rank算法运算速度高于基于矩阵的非冗余正交基计算的Colibri算法运算速度。(4)研究影响力与演化信息间的关系。针对影响力随事件的动态变化特性,分析用户在共同参与主题中的显式和隐式关联、用户在事件不同发展阶段的影响强度,在事件演化分析过程中从这两个方面分析用户的动态影响。基于用户在话题上具有隐式关联的前提,首先提出多种距离度量方法,并在此基础上提出全局性事件和子事件识别方法。在主题扩散和演化过程中,分析事件的扩散过程和演化趋势,区分即时影响和延迟影响,延迟影响随时间呈指数衰减。最后,在用户间交互所产生的直接影响和话题内间接影响基础上,分析话题和用户影响力的波动性以及二者的峰值共现性,提出基于热点事件演化的用户影响力计算模型。在论坛和微博数据集上,基于演化的热点话题发现算法精确率和召回率高于静态视图的识别率。本文算法很好地利用了用户在网络中的全局关联关系、有机结合了热点事件与用户影响的峰值性,在多种比较算法中获得了最好的影响力排序结果。