随着互联网技术的发展,网络充斥在人们日常生活的方方面面。人们满足于信息时代由网络所带来的便利,更期待着利用网络技术更好的提升生活的品质。在线社交网络的悄然兴起,逐渐将人们的社交生活由线下转到线上,改变了当今人们的生活方式,丰富了人们的生活。各种在线社交工具层出不穷,进一步丰富了人们在线社交的体验。在线社交网络除了为人们社交提供便利外还蕴含着巨大的商业价值。利用社交网络的营销就是其中之一,而最为有代表性的网络营销便是“口口相传”的营销模式。对“口口相传”的营销模式所引申出来的便是社交网络影响力最大化的问题。大量学者投入到社交网络的影响力最大化问题的研究之中,针对社交网络影响力最大的问题,本文的主要研究工作包括:利用社交网络中客观存在的社区结构挖掘出社交网络影响力传播的关键节点,并利用关键节点改进了一种基于线性阈值模式的影响力最大化算法。LDAG算法是一款高效的启发式影响力最大化算法,其利用为网络节点构造局部有向无环图来计算网络中影响力的传播。但是LDAG算法对网络中的每个节点都构造了有向无环图,这使得算法的计算量很大。本文则采用为关键节点构建有向无环图的方式在保障算法精度的同时简化了LDAG算法的时间复杂度。最后通过实验验证了本文提出的算法的有效性,同时在实验中讨论了针对不同的社交网络关键节点的选取策略可以进一步提升算法的效率。利用聚类来提升贪心算法的效率的算法。在线性阈值模式下,社交网络节点之间存在有向带权的边。本文就是利用节点之间边的权值提出了一种新型的用户关系计算方法,并利用这一方法改进了k-means聚类算法。通过聚类算法对社交网络进行划分,在将划分结果利用简单贪心算法挖掘出社交网络中影响力最大种子节点。算法通过混合聚类算法与贪心算法的方式将算法的运行效率相比于贪心算法获得了极大的提升。最后本文通过实验验证了本文提出的基于聚类的影响力最大算法的在时间上提升明显,且在精度上与贪心算法接近。本文在研究影响力最大化问题没有局限于问题本身的算法创新,而是采用与社交网络其他方向研究相融合的方式,对已有算法的特点进行有针对性的改进,使得算法在计算影响力最大化的种子节点时有更好的效果。