影响最大化(Influence Maximization,简称IM)问题是指如何在社交网络中选择指定数目的用户作为初始节点,让这些初始节点利用社交网络中的关系去进行信息的传播,使得最多的人接受需要推广的产品(或服务)。影响最大化在产品营销、服务推广等方面具有重要的意义。社交网络影响最大化问题被提出后,迅速成为社交网络领域的研究热点。学者们提出了许多影响力传播模型来模拟信息在社交网络中的传播过程,并进一步提出各种算法来解决这个问题。比较常见的影响力传播模型是Kempe等提出的线性阈值模型(Linear Threshold model,简称LT模型)和独立级联模型(Independent Cascade model,简称IC模型)。针对影响力传播模型,Kempe等提出了贪心算法来解决影响最大化问题,贪心算法可以取得/11-?的近似最优解,但是时间复杂度很大。后来有许多基于贪心算法的改进算法,另外还有启发式的算法来解决影响最大化问题,比较常见的启发式算法为最大度算法。但是随着网络的发展,社交网络中节点之间的关系不仅有友好关系还有敌对的关系,敌对的关系对影响的传播也起着重要的作用。所以影响最大化问题时考虑用户之间的敌对关系也尤为重要。而且随着智能手机的普及以及社交网络服务提升,基于位置的社交网络越来越重要。人们签到中的位置信息能够反映用户的行为偏好和消费习惯。所以当所要推广的服务或产品与一个具体位置相关时,位置信息就显得尤为重要,而之前不涉及位置信息的扩散模型就不太适用这种场景。针对这些问题,本文首先提出了基于PageRank的IPR算法来解决符号中网络影响最大化的问题,在真实的数据集中进行实验,通过对比验证了IPR算法的有效性。然后当推广的信息与位置有关时,充分利用了用户的历史签到行为,提出了一种基于位置的影响力传播模型模拟位置信息的传播过程,同时针对提出的模型和社交网络拓扑,提出了一种影响折扣算法来解决影响最大化的问题。并在真实的大规模数据集上进行了实验,与典型的启发式算法在影响传播效果方面进行了对比,实验结果证明了影响折扣算法优于其他的启发式算法,从而证明了影响折扣算法的正确性和有效性。