随着我国移动设备的不断普及和新一代互联网信息技术的快速进步和发展,对国民的经济生产和日常生活方式产生了许多重大转变。国内外的研究学者在探索如何利用社交网络中某些节点的影响力来实现效益最大化这个问题的过程中,在社会科学研究应用领域上取得了非常丰硕的研究成果。但是随着移动社交信息网络的发展,活跃的社交用户数量呈现出一种指数性的增长速度,网络的用户规模也日益扩大,出现了如信息模式异构、网络动态变化等特征,给进一步的研究工作带来了新的挑战。（1）在线社交网络当中节点之间的联系是动态变化的,而不是固定不变的,想要获取节点的动态影响力,就需要解决网络的时序性问题,本文在Page Rank算法的基础上进行改进,通过引入节点间动态连接概率、平滑时间窗口模型等,建立了基于最末退出时间的Max-Page Rank节点中心性度量算法、基于中间时间的Mean-Page Rank节点中心性度量算法和基于平滑时间窗口的TW-Page Rank节点中心性度量算法,在基础算法上增加了对网络时序关系的刻画。（2）呈指数增长的大规模在线社交网络数据,需要实时地对社交网络节点进行度量计算,传统的节点影响力最大化算法难以应对,且频繁操作会造成计算资源浪费。计算过程对内存、处理器和IO的要求过高,且运行速度很难迅速反馈出结果。本文利用大数据计算平台,将单机算法改为分布式并行计算,提出一种基于Spark分布式框架的节点影响力度量算法,旨在提升计算速度。本文针对当前在线社交网络规模庞大、网络异构、动态变化等特征,首先将所提出的三种改进的Page Rank节点中心性算法与同类型的其他算法进行实验比较,选取了5个真实的动态社交网络数据集作为研究对象,从SIR模型、准确度和时间性能三个维度进行评价分析;结果表明,本文所提的三个算法在SIR模型和准确度方面具有一定优势,其中基于平滑时间窗口的TW-Page Rank节点中心性度量算法准确性表现最佳,在71%-84%之间,在SIR评价指标下更适用于大规模动态社交网络数据的计算,紧随其后表现优异的是另外两种算法:基于最末退出时间的Max-Page Rank节点中心性度量算法和基于中间时间的MeanPage Rank节点中心性度量算法,更适用于小规模的动态社交网络数据。最后运用了大数据平台Spark来实现分布式并行算法,时间性能上相比原来的单机运行提高了近10倍,解决单机处理动态社交网络计算开销和时间效率的挑战。