社交关系网络节点间影响力是指一个节点的观点、态度和行为影响或者改变其他节点的观点态度和行为的能力。研究节点之间的相互影响定量关系,对于更精确地发现网络中关键节点、社区划分、社交关系预测以及舆情演变动因等问题都有着非常重要的作用。由于社会关系网络数据形式多样、数据量庞大,节点之间行为的相互影响取决于很多因素,如何发掘节点间影响力的内在因素并计算其权重,最终准确、合理地定量化构建影响力微观模型是目前的一个研究难点。另一方面,目前的研究还没有从关系特性的角度分析其在不同社交领域起到的作用,而是以节点间行为交互的结果来反向计算影响力,导致影响力模型的构建仅仅体现了节点的短期影响。因此,需要构建一个从不同交互关系类型分析的微观影响力模型,来更好的预测长期影响对节点行为作用的结果。针对以上问题,本论文提出了一个节点间影响力分析模型,通过对节点间多种不同因素分析和度量,构建异构社会关系网络节点间的影响力定量分析模型,用以预测节点行为相互影响的程度,并在社会关系网络中验证模型的有效性。本论文主要工作和贡献如下:(1)针对目前影响力分析基于历史数据学习为主,缺乏对内在作用机制的建模,难以刻画影响力的长期效力的问题,本论文将节点的属性信息和不同类型交互信息作为异构节点,以此对社会关系网络的节点间影响力进行了研究,并将异构节点构建因子图,通过置信度传播算法分析因素作用机理,建立了上述节点信息的权重计算模型。提出了一种基于节点属性和交互类型的节点间影响力建模方法AIIM,该方法更准确地学习了异构节点特征,应用于节点行为预测比同构网络的属性无结构信息嵌入学习具有更好的预测能力,利用该方法可对节点间的相互影响力实现更细粒度的定量分析。(2)在社会关系网络节点重要性评估计算时,针对从网络结构或单一属性分析而无法准确衡量节点重要性的问题,利用AIIM方法从节点间相互影响的角度,提出了一种基于影响力分析的节点重要性评估算法IEIARank。利用所构建的异构社会关系网络数据集开展了对比实验,实验结果表明,所提出算法给出的节点重要性地位排名结果更佳,该算法具有较强的迁移性。(3)对于异构社会关系网络中准确预测某一节点对其他节点行为的影响和改变的目标,开展了影响传播对节点行为改变的研究。基于AIIM方法和IEIARank算法从节点间影响力和信息传播持久性的角度,提出了基于影响力传播的节点行为预测模型ID-NPM。利用本论文所构建的异构社会关系网络数据集验证节点研究领域的转变,与经典机器学习算法进行对比,所提出的ID-NPM模型对于预测节点行为改变更加准确,同时,该模型能够适用于多种类型或多种领域的社交关系网络。