社交网络的迭代发展对于信息的快速传播起到了积极作用。影响力最大化研究在商品“病毒式”营销、网络监控、谣言控制等方面应用广泛。重要节点组挖掘作为社交网络分析领域的热门课题,获得了越来越多关注。重要节点组挖掘是指从网络中选择一组节点,在传播模型下扩散,以期望获得最大的信息传播范围,属于社交网络影响力最大化问题的一种。但是,在大规模社交网络中,“富人俱乐部”现象导致了影响力的重叠,使得节点组的影响力最大化效果不佳。本文利用信息熵度量节点的全局、局部重要性,能够更加准确的选择信息传播能力强的节点;提出了一种量化影响力重叠的方法,自适应更新节点的重要性,有利于解决富人俱乐部问题;利用了网络的社团信息,能够关注“桥节点”,进一步提高信息传播效率。主要研究工作如下:（1）本文结合信息熵的理论知识,设计了一种基于信息熵的节点重要性评价指标。与节点度等经典指标相比,有利于选出影响力更大的初始节点组,能够更加准确科学地评价节点的重要性。为了使该指标拥有较为良好的现实适用性,针对常见的静态社交网络数据做了优化,使其能够适用更多应用场景。（2）本文提出了一种新颖的定量指标即重叠系数,用于量化富人俱乐部导致的影响力重叠。重叠系数对于节点组的综合影响力起到消极影响。结合信息熵,提出了一种基于信息熵与重叠系数的重要节点组挖掘算法。在此算法中,利用信息熵评价节点的全局重要性和局部重要性。对于重要性最大节点周围邻居的影响力,使用重叠系数进行自适应削弱,以避免选择出的重要节点聚集的现象。（3）本文结合社交网络的社团性质,提出了一种基于重叠社团发现的重要节点组挖掘算法。此算法首先将网络划分为多个子网络,按照每个社团对于整个网络的贡献度分配重要节点的数量,使重要节点分布更加广泛。同时选择一部分社团重叠的“桥节点”作为重要节点,提高信息在社团之间传播的效率。（4）最后,使用以上方法进行SIR传播模型的仿真实验。在真实网络数据上,与对标算法相比,本文算法选出的节点间的平均距离更大,分布更加广泛;减少了影响力重叠,获得更大的影响力。