随着计算机科学与移动计算的快速发展,在线社交网络已经渗透至生活的各个角落,用户在社交网络中分享信息,建立并维持社交联系。社交平台所产生的社会学、行为心理学、信息科学等众多领域的数据的价值已经远远大于平台本身。各大企业开始将目光投向社交平台,希望借助社交平台中影响力大用户,提升产品推广或广告推荐的效果。因此,如何确定并选择影响力最大的用户(影响力最大化问题),探究广告在社交网络中的传播方式,成为面向社交网络的广告推荐研究所面临的两个挑战。本文以在线社交网络为研究背景,重点关注影响力最大化,对社交网络的广告推荐问题展开了较为系统的研究,主要研究成果如下:(1)相似性与凝聚力并重的影响力最大化算法EPR和面向社交网络的广告推荐方法。对于给定拓扑的社交网络,考虑节点的中心性、相似性和凝聚力三个关键因子,基于经典PageRank算法思想,设计EPR算法对节点影响力进行排序,并选取种子节点;设计面向社交网络的广告推荐方法,模拟广告在真实世界的推广过程,设计广告信任度更新规则与并行推荐规则;用户接受广告与否,由贝叶斯概率理论决定,使得算法更具现实意义;采用真实数据集,分析推荐结果与推荐发起者、迭代次数间的关系,证实本文所提算法的有效性。(2)考虑符号网络的复杂关系,提出基于正、负关系的影响力最大化算法SPR和面向符号网络的广告推荐方法。面向包含正、负关系的符号网络,关注节点的积极嵌入度、消极嵌入度两个关键因子,设计SPR算法对符号网络中的节点影响力排序,确定广告推荐算法的种子节点;探究节点间积极关系与消极关系对节点信任度的影响,提出一种与现实社会高度契合的信任度动态更新规则,模拟广告在符号网络中的推广过程。实验证实本算法提出的广告推送方法能更好地拟合在线社交网络中人际关系对信任度的影响,就迭代次数与接受广告的节点数量而言,与传统广告推荐方法相比,本文所提方法的性能更佳。