在线社交网络是当今社会信息传播的重要渠道和载体,形成了与现实世界交互的虚拟社会。常见的在线社交网有SINAWEIBO,TWTTER,FACEBOOK等。这些载体允许用户创建自己的账号,发布信息,传播消息。用户发表的信息包含了对当前的一些社会现象和热点时事的看法等,话题往往会涉及到政治,娱乐,经济等领域。社交网的影响最大化问题在市场营销,传染病抑制,舆情监控,政府政策推广以及社会稳定等领域得到广泛的应用。然而,上述研究工作仅仅研究社会网络中单一的传播。事实上,经常有不同的或者完全相反信息,观点和创新性意见在同一个社交网中竞争性的传播。这种竞争性的影响扩散可能来自两家竞争公司,在这两家公司参与的市场竞争中都要尽量吸引人们关注自己的营销活动。阻断影响最大化问题可以模拟现实生活中具有竞争关系的影响传播。现有的阻断影响最大化算法,忽略了用户偏好对信息传播的影响,没有达到影响范围最大,并且运行时间相当长。另一方面,现有动态社交网阻断影响最大化算法直接利用静态社交网的计算方法,但是社交网络是不断增长的,网络每更新一次,重新计算一次最有影响力的种子节点的静态方法会产生很大的计算开销。针对上述阻断影响最大化研究中存在的挑战和问题,本文从以下两个方面进行研究:(1)基于主题感知的阻断影响最大化算法。提出了MTIB(Multiple Topics-aware Influence Blocking)算法来改善影响范围,减少运行时间。MTIB算法的主要思想是:将网络拓扑图边的概率设置为主题的传播概率,然后计算阻断影响最大化的种子集合。MTIB算法通过为每一个节点生成一个反向加权树,反向加权树中的节点都会计算一个代表该节点可以阻断范围的分数,最后找到分数最高的k个节点作为阻断种子集合。真实社交网络的实验结果表明,MTIB算法与现有的算法相比运行时间明显减少,同时影响范围有很大的提升。(2)基于动态社交网络的阻断影响最大化算法。已有的动态社交网阻断影响最大化算法利用静态社交网的计算方法,产生很多不必要的计算开销。本文提出了一种增量式的算法DBIM(Dynamic Blocking Influence Maximization)来减少计算,并利用剪枝策略进一步减少运行时间。DBIM算法首先在初始网络拓扑图中用静态方法计算初始种子集合,在下一时刻,根据拓扑变化的增量部分和初始时刻计算出的种子集合来更新种子集合。在更新种子集合时,利用剪枝策略进一步减少计算开销。实验结果表明,DBIM算法与其他算法相比,获得相近影响传播范围所用的时间明显减少。