社交网络由海量的用户及用户间复杂的关系组成。不同于传统网络，社交网络中信息的传播与扩散依赖于用户间的关系。如何使信息在网络中能被尽可能多的用户所接收，即社交网络影响力最大化问题，为当前社交网络及其应用的研究热点，可广泛应用于舆论宣传、商业广告等方面。具体到实现算法，社交网络影响力最大化问题即是在网络中如何挑选包含一定数目节点的种子节点集，去激活整个网络，使网络中最后被激活的节点数最大化。　　Diffusion Degree算法为目前最流行的基于启发式的影响力最大化算法，该算法提出了节点潜在影响力的概念，即一个节点的邻居节点的影响力也可以作为当前节点的影响力的一部分。相比于其他同类算法，该算法意在优化影响范围。论文在Diffusion Degree算法概念的基础上，基于节点对邻居节点的激活概率，通过激活概率阈值进一步考虑了节点间潜在影响力的实际有效性，结合Single Discount算法实时更新节点影响力的设计思想，弥补了Diffusion Degree算法的欠缺。论文给出了Diffusion Degree算法的改进算法IDD的详细设计。　　另一方面，论文通过引入节点活跃度，进一步考虑了节点本身影响力的实际有效性，扩展了启发式算法所依赖的独立级联IC模型，改进模型中节点激活规则和影响力传播过程。论文基于所提出的扩展模型AIC，设计了一种启发式算法ACH，该算法首先通过过滤网络中对种子节点选择无用的节点与边，有效减小选择范围，然后基于AIC模型的活跃度特性对候选节点进行优质筛选，最后通过模拟影响力的传播过程来实时更新节点综合影响力，从而从多方面保证所选择的种子节点集的优质性。　　论文用真实的网络数据集，对所提出的IDD与ACH算法分别进行了实验仿真，仿真结果表明，基于IC模型的IDD算法在时效性上略逊于Diffusion Degree算法，但在影响范围上明显优于Diffusion Degree算法;基于AIC模型的ACH算法，在影响范围上接近爬山贪婪算法的影响范围，优于其他启发式算法，而且在时效性上也优于其他启发式算法，较适合大型社交网络。