目前,社交网络中信息传播影响最大化研究大多是通过选取网络中最有影响的K个节点作为初始激活节点,通过它们进行信息扩散。然而对于一个具体的社交网络用户来说,整个网络拓扑结构对其是非公开的,用户对于网络的认识仅局限于与其有直接联系的邻居用户,因此当用户希望扩散自己的某一条信息时,一个更合理的模型是用户通过挑选有限个邻居节点进行信息的级联扩散,而不是通过挑选网络中的任意K个节点。传统的基于网络全局的信息传播影响力最大化算法关于如何挑选网络中最有影响力的节点已经有了丰硕的成果,因此我们考虑设计一种算法,使得挑选的邻居节点能够与传统算法中挑选的具有影响力的节点联系起来。通过间接激活这些影响力较大的节点,使网络中接收到用户所发布信息的节点数最大。本文的主要创新如下:1.提出了接近依赖度指标用于评估用户邻居节点与网络中具有大影响力的节点集合在网络中的接近程度,并将该指标同传统的贪心算法结合起来形成新的算法PIMCD并在数据集上进行了实验,实验结果显示PIMCD算法在影响范围和时间复杂度上都比贪心算法和现有的启发式策略更有优势。2.设计了CAC评价指标用于评估节点的影响扩散能力,形成新的算法PIMCAC,算法同样在数据集上进行了实验,实验结果证明了该算法可以有效解决结构相对稀疏的网络中信息传播影响最大化问题。本文在用户个性化影响最大化领域做了初步的探讨,为后续同领域研究的开展奠定了基础。