社交网络的飞速发展深刻改变了当今社会人们的生活方式。人们开始习惯于将自己生活的点点滴滴分享到社交网络中,同时也更乐意从社交网络中获取自己感兴趣的信息。如何利用社交网络所拥有的用户群进行数据挖掘、商业营销也成为当下研究的热点。本文针对以病毒营销为背景的影响力最大化开展研究,研究内容可以分为两部分,基于会员制的社交网络影响力最大化问题与基于潜在价值的成本受限影响力最大化问题,具体内容如下:(一)基于会员制的社交网络影响力最大化问题本文将会员制引入到影响力最大化问题的研究中来。通过分析会员制营销与传统实物营销的区别,将会员人群区分为普通会员与粘性会员,明确了会员制营销追求粘性会员数目最大化的目标。基于此,本文提出了 Membership Based Influence Cascade(MBIC)模型,建模了普通用户接受好友推荐最终成为粘性会员的过程,同时也引入了对社交网络用户的活跃度与亲密度的分析。MBIC模型将影响力传播过程分为影响阶段和参考阶段,分别对应普通用户成为会员以及会员成为粘性会员的过程。随后,基于 MBIC模型本文提出了 Influence-Reference Rank(IRR)算法。IRR量化了节点在MBIC模型不同阶段的能力,并通过分配适当的权重将这些能力综合为一个用于选择种子节点的排序指标。基于真实世界数据集的实验表明,IRR算法优于本领域经典算法以及相关基础算法。(二)基于潜在价值的成本受限影响力最大化问题本文从商家角度出发,探索如何使用影响力最大化相关工具最大化客户的潜在价值。通过对用户潜在价值的分析,本文将潜在价值建模分解为辨别潜在客户与评估客户购买力两个子问题,提出了基于潜在价值的成本受限影响力最大化问题,即Potential Value Based fluence Maximization with Limited Cost(PVIMLC)问题。PVIMLC予节点成本与价值两个属性,同时也对激活节点做了进一步的区分。随后,本文针对PVIMLC问题提出了三种算法:Maximum Gain First(MGF)、Maximum Gain-Cost Ratio First(MGCRF)以及 Maximum Revenue Expectation First(MREF)。这三种算法从不同维度对节点获取周围节点潜在价值的能力进行了评估,依据评估得到的指标迭代选取种子节点。实验表明,相比较于本领域经典算法,本文提出的这三种算法均有着良好的表现。