社交网络的发展为信息的快速传播带来了新的潜力,而确定网络中具有影响力的节点被视为这种潜力能够付诸行动的关键因素,影响力最大化的问题也由此被提出。影响力最大化问题旨在从给定的网络中找到固定大小的种子集,再经过特定的传播模型,使最终的信息扩散范围达到最大。正因为其在商业领域的巨大应用潜力,影响力最大化问题受到了广大研究者们的青睐。目前关于影响力最大化问题的研究大多都集中在同质信息网络,忽视了不同类型节点之间的关系和潜在的语义信息。相较于只有单一对象和关系类型的同质信息网络,拥有丰富的对象类型和关系类型的异质信息网络能够更加全面的模拟现实世界中对象之间的关系。因此,在异质信息网络上进行影响力最大化的研究能够更加贴近真实的世界。然而现有的关于异质信息网络的影响力最大化算法,通常基于元路径抽取网络中对象间的异质链接关系,并将其建模为同质子图来进行节点影响力的评估。该类方法存在以下不足:一方面使用单条元路径只能捕获节点之间的简单关系,忽略了节点之间的复杂关系;另一方面仅在同质子图上进行影响力最大化的研究,会造成网络原有结构信息的损失。为了弥补上述不足,本文的主要工作有:（1）提出了异质信息网络中基于元结构的影响力最大化算法（Meta-structurebased influence maximization,MSIM）。该算法首先为网络中的目标节点构造了一个元结构,以保留网络中不同对象之间丰富的异质信息和节点的局部结构信息。然后提出了路径熵（The path entropy,PE）和结构熵（The structure entropy,SE）来评估一个节点在网络中的影响力,最后基于节点的影响力来有效地选择种子集。（2）提出了异质信息网络中基于社区和结构熵的影响力最大化算法（Influence maximization based on community and structure entropy,CMIM）。该算法首先对网络中的目标类型节点进行重叠社区结构划分,并基于节点的社区结构来有效地度量节点的全局影响,且适当提高了社区边缘节点的权重占比。然后基于MSIM算法度量节点的局部影响,最后综合节点的局部影响和全局影响来选择种子节点。（3）在真实数据集上进行了大量的实验来验证MSIM算法和CMIM算法的有效性和效率。探索了不同元路径的权重组合对实验结果的影响,并分析了MSIM算法和CMIM算法中相关参数的配置关系。实验结果证明了MSIM算法和MSIM算法都具有较好的性能和效率。