随着互联网越来越发达,越来越多的用户在社交软件上发表观点并传播信息,用户都会受到他人的影响或影响他人,如何从参数未知的社交网络中寻找到影响力最大的用户集合,以实现信息在社交网络中最大化传播。然而,当前的在线社交影响力最大化问题没有考虑到图网络中用户间影响力为动态变化的情况,本文利用在线学习探索未知参数的特点,针对动态网络,探索参数并得到影响力最大化的种子用户集合。论文的主要工作包括:1.详细介绍了在线影响力最大化问题及所用到的多臂赌博机问题及算法,并分析了组合多臂赌博机算法如何应用到在线影响力最大化问题中,在线影响力最大化问题中,商家在对社交网络中的用户间的影响力未知的情况下,采取相应策略在有限的回合内获取种子用户集合,以实现传播目标的影响力最大化,最后基于Flickr和NetHEPT数据集实验并比较了常见算法的性能。2.本文考虑到社交网络中用户的影响力的动态性与变化的多样性,在社交网络中用户的影响力随时间发生多种不同的变化的动态网络下的策略选择问题,并基于非平稳赌博的D-LinUCB（Discounted Linear UCB）的研究,结合在线影响力最大化问题提出了动态在线影响力最大化算法DIM（Dynamic-online Influence Maximization）,DIM算法在动态环境中通过历史均值Rn检测环境突变并采取折扣策略γ更新节点参数,通过在线组合学习的方法获取变化后的社交网络中的最佳用户集合。本文基于Flickr和NetHEPT2社交网络数据集实验模拟来评估了 DIM算法的表现,通过比较不同的在线影响力最大化算法累计收益,证明DIM算法的优越性。3.针对传统在线影响力最大化问题中在探索多种传播目标寻找用户集合,空间复杂度高与学习时间过长的问题。本文利用聚类与相似度迁移,提出一种基于类别的CIM（Category-online Influence Maximization）算法,CIM算法利用不同传播目标的特征信息利用k-mean聚类后并探索,并根据不同商品间的相似度δi,j,在商品进行若干次探索后提前输入到网络中,通过迁移之前商品学习的参数解决了网络参数冷启动的问题,加快了在线影响力最大化收敛的速度。本文使用Flickr和NetHEPT社交网络真实数据集实验并模拟了多种传播目标的在线影响力最大化,通过比较传统方案的学习速度与内存开销,证明了 CIM算法的优越性。