2020年新冠肺炎疫情受到社会各界的密切关注,全球被紧张氛围笼罩着。此次疫情中,诸如超级传播者、谣言打击、传染扩散、影响预测等关键词被各媒体频繁刷屏,这使复杂网络疾病扩散和社交网络计算传播等领域的学者更加重视相关方向的深入研究。社交网络的影响力计算即为其中一项重要课题,本文针对高影响力个体挖掘、对立影响力最大化算法展开如下工作:1)高影响力个体的计算:已有高影响力个体研究的中心性方法较难确定个体适宜的度量层级。度量层级若覆盖广泛甚至全局拓扑信息,将直接导致度量方法的计算代价急剧增加;度量层级范围狭窄,则个体及其近邻的彼此影响将被忽视,直接导致度量结果与实际影响力存在较大偏差。本文利用真实网络复杂传播现象的统计结论——三度影响原则,设计三级邻居度量方法(TIM)。该方法将具有影响衰减特性间接邻居视为整体同直接邻居的影响累加计算。TIM方法较比已有方法的度量精度显著提高,在影响力一致性、影响力排序性能、影响力度量值区分度等指标上表现优异,适用于求解社交网络影响力最大化问题。2)对立影响最大化研究:经典社交网络影响力最大化问题设定传播是无阻碍、无干扰的。而现实社会生活中,用户间的交互或形成互补协作、对立排斥或动态博弈的多样关系。本文考虑信息对立传播的形式,将热量传播模型扩展为多源热量传播模型,设计了用于处理传播冲突的随机规则,并根据热量模型的传播机制设计了预选式贪心算法(PSGA)。在爬虫网络数据集和标准网络数据集中,开展对立影响最大化和种子富集性的仿真实验,验证了算法的有效性。