在电子商务和社交工具快速发展的今天,社交网络的规模和多样性持续扩大,社交网络的研究正逐渐成为数据挖掘研究的热点。获取社交网络中的紧密群体,如社交网络中针对特定人群进行广告的投放、挖掘客户关系中具有紧密关系的合作伙伴,都有着巨大的商业价值和现实意义。社交网络影响力主要研究社交网络中个人或者团体,他们之间的想法或者行动互相影响的现象。社交网络影响力分析对于理解社交网络中信息如何传播、舆情如何发展、观念如何创新、经验如何传授,具有重要的意义。随着社交工具、社交方式的多样化,我们见证了很多不同的社交方式,如视频社交,直播社交等。分析与挖掘社交网络中的影响力,可以为社交网络群体中个人如何影响群体以及群体对个人的作用,为不同的信息在不同的社交网络中传播的方式不同提供了新的思路。为此,本文提出了一个基于影响力的紧密子图发现框架,结合社交网络的拓扑结构来分析社交网络,发现社交网络中的紧密子图。首先,量化顶点的权重为顶点间的相似度。其次,通过顶点间的相似度来改变平均分配权重的方式,改进PageRank算法计算每一个顶点潜在的影响力。最后,通过设置阈值,量化两点之间的影响力得分发现社交网络中的紧密子图。实验结果表明,基于影响力的紧密子图发现算法不仅在计算个人影响力和成员顶点间的共同影响力之间展现了很好的平衡,而且对于真实的社交网络也同样适用。对于基于影响力计算的紧密子图,本文还研究了基于反馈的信息推荐。通过对已推荐的物品给予反馈,可以不断调整社交网络中每个成员的权重和推荐效用,从而提高推荐的准确度。