随着大数据、社会计算等计算机技术的发展,社会网络的研究又向前迈进了一大步。社会网络的规模和复杂程度不断地增大,而现在的计算机也有了这样的能力来计算并分析。企业公司推广产品,需要对口其重点客户;教育机构培训课程,需要寻找其核心听众;政府进行舆论导向,需要针对其信息源头。随着信息量越来越大,当大型社会网络和复杂社会网络出现的时候,能够对网络中的关键节点进行切实有效的挖掘就显得尤为重要了,并且这已然也成为了社会网络研究中重要的组成部分之一。社会网络中的节点挖掘方法主要分为启发类方法和贪心类方法。前者主要是根据社会网络节点自身属性或者网络自身拓扑结构来衡量网络中各个节点的重要程度,如度中心性算法,由于其计算节点的重要性时仅考虑节点的邻居拓扑结构,虽然其计算速度快,但是精确度欠佳;又如接近中心性算法和中介中心性算法,由于其计算时涉及到整个网络拓扑,所以其算法效率很低。而后者则是通过传播模型对于每一个节点进行传播模拟,进而通过其传播范围的大小来计算节点的重要程度,该类算法由于结合了传播模型进行真实传播,算法效率低下,导致了其不适用于大型社会网络。本文针对于启发类方法在节点挖掘效果上不理想及贪心类方法在算法复杂度上极高这两个问题,采取先启发后贪心合并计算的理论,提出了基于贪心子图的社会网络节点挖掘算法。该算法首先依据节点度这个重要属性结合了局部拓扑结构的聚集系数估计出节点的影响潜力,根据影响潜力高低排序并加入种子节点候选集合,同时通过对网络的整体评判排序并选择出特异性阈值最高的节点加入种子节点候选集合。在完成候选集合的选择后,通过改进影响力的线性阈值模型表现为贪心子图策略对于集合中的节点进行真实的传播模拟,选取增量影响范围最大的节点加入到最终节点挖掘结果集合中,并且在每一步传播完成时动态的修正候选集合中的节点,重复候选集合修正过程和传播模拟过程直至达到预期规模的节点挖掘结果集合,最终得到理想的节点挖掘效果。之后,通过分别对比本文提出的算法与启发式算法、贪心类算法等在节点选择效果、算法执行效率、算法传播范围等方面的差异,得出贪心子图节点挖掘算法在保证节点选择效果及效率优于经典算法的基础上还至少能够保证比较高的近似最优解,验证本文提出算法的理论适用性和实际传播效果。