近年来,随着微博、微信等在线社交平台的快速发展,人们更倾向于通过这些实时社交平台来获取信息并与其朋友互相交流,发表观点。基于这种现象,“社会营销”发现了机遇。其在社交网络中选择一小部分影响力最大的用户为其产品代言,使得更多的人接受该产品,这就是影响力最大化问题。目前,该问题成为了研究的热点并取得了较为成熟的成果。然而,现有的工作存在着运行时间较慢或者影响范围不准确的问题。除此之外,目前大部分的研究工作是基于静态社交网络的,未考虑真实社交网络的动态性,这可能导致影响力最大化算法的可扩展性差。因此,为了解决上述影响力最大化问题研究的不足,本文给出了新的研究思路并开展如下研究:(1)基于静态社交网络的影响力最大化算法。针对现有的社交网络影响力最大化问题中运行时间和影响力这两者不能有效兼顾的缺点,提出了一种基于社区结构的静态社交网络影响力最大化算法。首先,本文利用社区发现算法进行社区划分;然后结合传播概率改进了度指标,提出了一种新的评价指标-传播度。并依据传播度和K核选择社区内部影响力较大的节点和跨越社区数量最多的的节点选择候选种子集;最后,使用贪心算法从候选种子集中选择最终种子集。本文在四种不同类型的真实数据集上进行了实验,实验结果验证了该算法能够有效均衡影响力和运行时间。(2)基于动态社交网络的影响力最大化算法。真实社交网络中,社交网络的结构是时刻变化的,用户之间的关系也是不断更新的。考虑真实社交网络具有动态性,提出了一种基于动态社交网络的影响力最大化算法。首先,本文从节点的增加和删除,边的增加、删除和重连来刻画网络的动态性。然后,根据传播度和K核选择社区内部影响力较大的节点和跨越社区数量最多的的节点选择候选种子集。接下来,对于动态变化的节点,将其按照节点社区匹配,节点节点匹配的方法匹配到具体的节点,确定此节点是否为候选节点。最后,利用贪心算法从候选种子集中选择最终种子集。另外,本文在符合网络动态性的前提下,进行了实验验证。实验结果表明,该算法的影响力和运行时间整体上优于经典的启发式算法,与贪心算法的影响范围也相差无几。这说明了该算法对社交网络影响力最大化问题有更好的拓展意义。