影响力最大化作为社会网络分析领域相关研究内容之一,旨在尽可能短的时间内找出网络中最具影响力的种子节点集合,并通过种子节点与其他节点的交互使得影响范围最大化。随着大数据时代的到来,网络规模急剧增长,迫切需要研究大规模社会网络环境下影响力最大化问题的高效求解方法。由于真实的社会网络往往具有明显的社区结构,在各个社区内寻找影响力节点可有效降低计算成本。为此,本文采用节点分类算法将大规模社会网络划分成多个社区,并在此基础上展开影响力最大化研究,具体研究内容如下。1.针对现有基于网络表示学习的节点分类算法较少考虑网络结构与属性信息之间的互补性问题,研究利用网络表示学习方法得到节点的低维表示向量,同时将非结构化的属性信息表征成计算机易于处理的低维信息特征。在此基础上,引入一种多模融合模型,通过对不同模态的预测标签施加一致性约束,从而在特征向量空间整合来自网络结构与属性信息的知识,进一步提高节点分类的准确性。最后,利用基于softmax回归的多层神经网络对标签进行预测。多个公开数据集上的对比实验结果表明了所给算法的有效性与鲁棒性。2.针对基于网络全局的影响力最大化算法往往因时间复杂度过高而难以应用于大规模社会网络问题,研究结合社区结构将影响力最大化问题的求解分为候选阶段与贪心阶段:候选阶段通过启发式算法分别从各个社区的内部和边界选取影响力较高的节点,形成候选节点集合;贪心阶段利用子模特性优化的贪心算法迭代选取具有最大边际影响增量的候选节点加入种子节点集合,其中候选节点的影响扩散区域限制在节点及其邻居节点所在社区。实验结果表明所给出的算法在保证影响范围的同时,较好地降低了运行时间。