随着互联网和社交网络技术的迅速发展,一些大型的社交软件,如Wechat、Facebook、Alibaba等的出现使得人与人之间通过社交网络联系更加紧密,如何才能使信息传播的影响最大化已经成为近年来研究的热点问题。而影响最大化需要解决的一个重要问题是如何加强用户之间的联系,挖掘用户在社交网络中进行信息传播的潜力,使得社交网络信息传播范围更加广泛。近年来社交网络影响最大化问题在信息扩散和口碑营销中进行了广泛而深入的研究。主要是寻找出社交网络中影响力最大的种子集合,通过这些种子集合能够使得信息在社交网络中传播范围更广。然而大部分的研究都集中在没有时间约束的有符号的社交网络影响最大化问题中,这些社交网络中既有积极的信息也有消极的信息,且都是在没有时间约束的情况下传播。但是在现实生活中,一些企业往往希望在一定的时间期限内使正面或负面消息传播范围更广,或者在一定时间期限内控制负面消息的传播,本文把这种社交网络称为有时间约束的极性社交网络。有时间约束的极性社交网络和普通的极性社交网络有很多不同之处,根据这些差异,需要提出新的传播模型和相应的新的影响最大化算法。针对上面提出不足和问题,本文从以下两个方面进行研究:(1)独立级联模型下具有时间约束的影响最大化。为了在极性社交网传播过程中加入时间期限的约束,我们将网络分为若干个时间树,用时间期限的约束限制每个子树的大小。在以往的影响传播模型中,影响力会迅速衰落到更远离源头的网络区域,所以大部分计算浪费在分析影响微小或影响为零的区域,特别是当时间期限相对较短时。基于这一观察,本文提出了一种新的计算方法,它使用截止期限约束来为每个节点确定一个局部图形区域,其中影响的范围受到限制。该方法需要一个时间复杂度很小的预处理步骤,将社交图分成若干个子树,其中每个节点的影响被限制在其子树区域内,然后计算每个子树内节点的状态。在真实数据集中的实验结果表明本文提出的PTIM算法在时间约束内的影响范围优于其他算法。(2)线性阈值模型下结合遇见概率的影响最大化。虽已有许多在极性社交网中下影响最大化的研究,但都是基于独立级联模型的极性符号社交网,在线性阈值下极性社交网影响最大化算法中相应的研究还比较缺乏,本文通过计算极性社交网中节点之间的遇见概率,在线性阈值模型上提出LT-PM模型并设计具有时间约束的启发式算法。基本思想是为社交网络图中每条边计算满足函数m:E→[0,1]的遇见概率m(u,v),用于度量信息传播过程中消息从某节点传播到其邻居节点的概率,可以更真实的反应社交网影响扩散的过程。最后通过在真实数据集上的实验证明了本文提出的算法有效地提升了算法的时间效率。