近年来,众多迅速兴起的在线社交网络平台成为了人们传播信息、影响他人的重要方式;影响力最大化(Influence Maximization,IM)问题是社交网络信息传播分析中的重要问题,在口碑营销、舆情控制、网络监控等众多应用中其中关键作用;该问题及其衍生问题包括主题影响力最大化、关联影响力最大化(Correlated Influence Maximization,CIM)问题等,也因此受到了广泛研究。IM问题旨在找出网络中最具影响力的k个用户,以某种传播模型从选出的用户发出信息传播,使得最终受影响用户的总数最大。传统影响力最大化算法大多数仅关注静态社交网络,然而社交网络拓扑结构天然具有动态特征,传统算法不适用。本文研究动态网络中最大化问题,提出了基于跳步的影响力最大化增量式算法。论文主要研究内容如下:(1)独立级联模型下IM问题的增量式算法为解决动态网络中最具影响力种子集更新问题,基于跳步策略,提出了一种针对独立级联传播模型的影响力最大化增量式算法。该算法利用局部化传播的特点,快速评估网络变化所涉及节点的影响力增益上限,与先前输出结果比较,快速更新有可能需要变动的影响力节点。在大规模真实数据集上的实验结果验证了所提出算法的高效性;在最佳情况下,所提出算法的运行速度相比其他现有算法快数个量级。(2)线性阈值模型下IM问题的增量式算法为研究用户的从众心理在影响力最大化问题的应用,采用跳步策略,提出了一种针对线性阈值传播模型的增量式算法。该算法通过动态维护用户的已知影响值,构建候选集提供动态变化后最可能替代种子用户的用户,从而增量式的对种子集进行更新,获取最新的影响扩散范围。经过多个数据集的实验,在影响扩散范围与影响扩散范围相差不超过10%的最优情况下,所提算法运行时间较对比算法快几倍到数十倍不等。(3)关联线性阈值模型下CIM问题的增量式算法为探究正关联性影响力最大化问题,在关联线性阈值模型的基础上,提出基于跳步的关联线性阈值传播模型,进而提出了一种增量式算法。该算法通过分析网络结构的变化,实时维护有效节点集合,从而对种子集进行增量式的更新。通过真实网络数据的验证,表明了所提算法能更快速的完成新种子集合的更新,且影响扩散范围不输同类算法。在最佳情况下,运行速度比其他对比算法快数十倍左右。