社会网络是由网络中个体成员之间的交互作用形成的,被广泛应用于描述成员之间的相互行为。由于近年来社会发展迅猛,社会网络也呈现多样化发展,伴随着的便是网络信息的复杂化,也更加凸显了它的研究价值。社会影响力是在一定的网络下,个体能影响并改变其他人行为举止的一种能力。影响力最大化（Information Maximization,IM）问题旨在寻找网络中使信息成功传播最广泛的网络成员集合,以至于能够将这些信息应用在实际问题中,例如:物品推荐、病毒式营销、谣言传播等。目前的影响力最大化算法大多都是针对网络拓扑结构和各种中心性排序的算法,而没有考虑网络的异质性、网络中节点的重叠性和中间节点的重要性。通常情况下,距离越近的两个节点,它们的共同邻居节点会有很多,从而就会出现节点影响范围的重复,在最终验证IM算法时,种子集的实际扩散数量就不理想,所确定的种子节点集合准确度较低。为了解决上述问题,本文主要开展了以下几个方面的工作:（1）提出了一种社会网络中基于权重的社会网络影响力建模算法（Multicriteria Weight Influence Maximization,MWIM）。在该算法中,首先将IM问题建模为一个加权多准则问题,然后使用多种客观权重求解方法来计算各准则的权重,随后再使用类似于逼近理想解排序算法来选择最佳节点集。（2）提出了一种基于异质网络建模社会影响的算法（Network Information Entropy Rank Based TOPSIS,NERT）。在该算法中,考虑中间节点的影响,利用元路径提取多个同质网络,然后用多种熵值去评估节点在网络结构和链接关系上的影响力大小,再将其建模为一个决策模型来选择最佳种子节点集合。（3）在八个真实的网络数据集上对MWIM算法和NERT算法进行了实验,并且还进行了参数对比实验,在扩散数量和运行时间上验证了它们的性能。实验结果表明,MWIM算法和NERT算法相比于其他基线算法,在扩散数量和时间上都表现出了高效的性能。