随着科技的发展,网络成为人们工作生活的重要工具。人们通过互联网,跨越空间局限,实时接收外界消息,并通过社交平台更迅速、便捷地进行信息的传播和共享。在这样的背景下,人的行为和决策往往会受到他人的影响,社会化营销因此越来越受到学术界和工业界的关注。影响力最大化问题,即从社交网络中寻找有影响力的个体,从而使产品的受众或信息的扩散最大化,也相应得到了广泛研究。然而,以往的研究主要集中在单一信息的扩散或正面和负面信息的扩散上。但是面对相似竞争者之间的信息传播,会存在一个均衡的竞争机制,相关研究还有待深入开展。基于此,本文利用网络拓扑结构,分析两个相似的竞争产品同时在同一网络进行影响扩散的传播规律。并研究如何在已知竞争对手种子集的情况,找到可使自身影响力最大的种子节点集合。本文给出了该问题的形式化定义,在分析其可解性的基础上,给出问题特性的理论证明,并进一步设计了高效可靠的近似求解方法,最后在真实数据集上进行大量实验,验证了所提出算法的高效性和有效性。本文具体工作如下:（1）针对相似产品在网络中竞争传播的均衡特点,本文引入了一个新的均衡竞争影响力最大化（Balanced Competitive Influence Maximization,Ba CIM）问题,考虑了相似产品在网络中竞争传播的均衡特点。首先,提出了一个均衡竞争独立级联（Balanced Competitive Independent Cascade,BCIC）模型,该模型描述了两个相似的竞争产品如何在同一个社交网络中传播和竞争。针对竞争对手的种子选取策略,Ba CIM的目标是找到一个大小为k的种子集,使自己的影响力传播最大化。本文通过严格的理论分析证明了该问题是NP难题且影响扩散目标函数具有单调性和子模性,在此基础上提出了一个具有近似保障的贪心算法。（2）为解决贪心算法在处理大型网络时运算量大且时间复杂度高的问题,本文提出了阻碍反向影响采样算法（Blocked Reverse Influence Sampling,BRIS）,该算法基于反向影响采样的思想,重新设计了反向影响采样程序,以支持BCIC影响扩散模型。在真实社交网络数据集上的实验结果验证了算法的有效性和高效性。（3）为进一步提高BRIS算法的运算效率,本文提出了改进算法BRIS+。通过小世界特性在构建阻碍反向可达集阶段快速估算出一个足够大的采样次数,且采样次数θ保证算法能以大概率返回一个（1-1/e-）-近似解;在选点阶段使用Bottom-k Sketch的增量种子选择方法来找到覆盖最多样本的种子集。在真实社交网络数据集上的大量模拟实验结果验证了本文提出算法的有效性与高效性。