互联网的迅速崛起推动了微博、微信等社会网络开始逐步取代传统的媒介,成为交互沟通、信息共享和信息传播的重要传播媒介。影响力最大化问题作为社会网络分析的热点研究之一,旨在从社会网络中选取最具有影响力的种子节点集,在市场营销、谣言控制、疫情监控等诸多的场景中有着巨大的研究价值和应用价值。因此,在社会网络规模不断增大和网络结构获取困难的趋势下,如何衡量节点的影响力,以及如何挖掘出最具有影响力的种子节点集合,实现信息传播范围最大化已经成为国内外研究的聚焦点,也是本文的主要的关注点。近年来,科研人员针对影响力最大化问题,提出了许多影响传播模型、节点影响力度量指标以及影响力最大化算法。但在求解影响力最大化问题时也存在着一些局限性,一方面,现有的影响力度量指标的表现易于受网络结构的影响。另一方面,大多数算法难以实现准确性、高效性、可扩展性兼顾。另外,大多数的研究是假设网络的拓扑结构是完全已知的,而部分可观测网络下的影响力最大化研究尚不成熟。为克服上述影响力最大化求解方案存在的不足,本文致力于从节点影响力的度量方法和影响力最大化算法这两个关键的视角对社会网络中影响力最大化问题展开研究。具体体现在以下三个方面:(1)为了有效地、显式地量化节点的影响力,本文受汽车动力学中的扭矩的启发,从“力矩”的角度显式地刻画节点掀起“影响风暴”的强度,反映节点影响传播的爆发力,定义了影响力矩(Mo I),一种具有包容性、灵活性的影响力度量指标。通过实验分析,验证了Mo I的有效性和鲁棒性,在不同的网络下均可取得良好的度量效果。(2)提出了基于Mo I的随机最近邻推荐算法(RNNR),该算法分为两个阶段:(i)通过“随机选取”获得初始节点,(ii)通过“最近邻推荐”挖掘出种子节点集。利用社团结构对网络进行预处理,对初始节点布局进行优化来避免种子间的影响力重合现象。该算法的算法复杂度为O(?),与网络规模无关,因此该算法适用于大规模的网络,具有良好的可扩展性。最后,通过理论和实验双重证明了该算法的有效性和可扩展性。(3)提出了一种部分可观测网络下的影响力最大化问题的求解方案。首先给出了部分可观测网络的定义。考虑到部分可观测网络的网络结构不完整的局限性,在RNNR算法中引入了离散粒子群的优化算法对初始节点布局进行优化,提出了基于离散粒子群的最近邻推荐算法(DRNNR)。实验仿真证明了该算法的有效性。