影响力的传播研究是复杂网络分析领域中的重要组成部分,复杂网络上的传播学问题研究事物在实际的系统中的传播行为,而影响力最大化问题和负影响力抑制最大化等问题一直以来都是备受关注的热点问题。随着各种各样社交网络平台的出现和流行,其各类平台上产生了大量的行为数据,为社交网络的研究提供了良好的环境。影响力最大化起源于病毒营销,而随着营销方式和手段的改变,社交网络又逐渐为营销搭建了良好的平台。因此,研究影响力最大化及传播抑制等问题具有广泛而深远的意义,具有实际的应用背景和深远的应用价值。传统的影响力最大化问题的目标在于找到一组关键节点,影响力通过信任的家人、亲密的朋友、合作者等关系传播,使得“种子节点”在某一社交网络中的扩散数量达到最大。随着基于位置的社交网络(location based social network)的出现,对传统的社交网络的研究发生改变。传统的影响力最大化已经不能满足现实生活中对于实际距离、空间区域等的需求,本文致力于研究更具现实意义的基于位置信息的影响力传播最大化与负影响力抑制最大化等问题。上述问题自提出后,都被证明是NP-难的问题,要解决这类NP-难问题,要利用有效的近似算法来解决。因此,针对位置信息的社交网络中影响力最大化和传播抑制等问题,本文的主要工作以及研究成果有:(1)我们研究了独立级联(IC)模型上的距离感知影响最大化问题。提出了一种基于随机游走的算法来找到最优的种子集。算法采用随机游走的方法进行路径采样,模拟影响力传播的过程。根据使用随机游走方法的结果,进而使用贪婪法选择种子集。我们的实验结果表明,该算法可以合理地选择种子集,以最大化影响力的传播范围。(2)我们研究了具有目标区域感知的影响力最大化问题。利用用户的历史签到数据,计算用户在某个区域的地理偏好。在计算影响传播范围时,考虑用户的地理偏好。我们使用VC维相关理论计算出所需样本数,构造出相应数量的可能世界,以此在可能世界下进行激活路径计算,从而计算每个节点的路径激活区域中顶点的概率,最后选取概率最大的k个节点构成种子集合,使得在某区域中的影响力传播最大。(3)我们研究了具有目标区域感知的负影响力抑制最大化问题。定义了区域感知的负影响力抑制最大化问题,提出了当存在正负影响力的情况下,如何选取正种子节点来最大化地抑制负影响力的传播,提出了以贪心法为基础的算法。该算法使用独立路径的思想计算传播概率,通过计算迭代的方法选取正种子集。我们证明了相关理论的正确性,并通过实验验证了所提出的贪心算法能够取得较好的抑制效果。