随着互联网的普及,社交网络用户数量逐渐增多,社交网络已经成为大众获取信息和媒体推广信息的重要媒介。社交网络上影响力传播,是指社交网络中的用户的思想和行为受某些用户的影响而发生改变,从而使社交网络中的用户接受某些思想或者发生某些行为。我们把新闻,思想等在社交网络上的传播统称为影响力传播。社交网上的影响力传播问题已经成为了学者们研究的热点问题。社交网络上的影响力传播问题的研究在信息传播,产品促销,言论控制等方面有很广泛的应用。随着社交网络用户数量的不断增多,越来越多的用户参与到社交网络上的产品营销,信息推广等中来,从而不可避免的带来了相互竞争进行影响力传播的问题。然而现在大部分的工作都是针对不存在竞争的情况下影响力传播问题进行研究,对多个用户之间的影响力竞争问题研究的比较少。然而在现实的社交网络中,竞争问题是客观存在的,在存在竞争对手的情况下,我们如何选择较好的策略来进行影响力传播同样非常值得我们去研究。存在竞争的影响力传播问题是一个更为复杂的影响力传播问题,与传统的影响力传播问题相比具有更大的挑战性。现在已经有一些工作对存在竞争的影响力传播问题进行了研究。本文主要从用户实际存在的需求出发,针对现有工作存在的一些不足,对影响力竞争问题进行了一系列的研究。本文的具体工作和贡献概括如下：1.提出了社交网络中以最小代价获取竞争胜利问题(Minimizing the Cost to Win Competition in Social Network, MCW)并且分析证明了这个问题是一个Np-Hard问题。针对MCW问题,本文首先提出一种基于性价比的贪心算法,该算法通过蒙特卡洛模拟方法计算出每个节点的影响力,然后在每一轮循环中挑选出性价比最好的节点加入种子节点集合。随后根据函数的子模性减少了运算次数,从而提高了算法的运算效率。针对大规模社交网络,本文提出了一种度调节算法。度调节算法综合考虑了节点的邻居个数以及邻居的受影响状况从而快速预测出节点的影响力,然后在每一轮循环中挑选出性价比最好的节点加入种子节点集合,避免了蒙特卡洛模拟,从而大幅度提高了运算效率。最后,我们通过在真实数据集上的实验比较了各种算法的运算效率与效果,实验结果表明基于性价比的贪心算法取得了最好的效果,相对于贪心算法,度调节算法的效率得到了极大的提升,同时度调节算法的效果要明显好于随机和度最大等其它常用启发式算法。2.提出了社交网络中在限定的代价下最大化竞争排名问题(Maximizing the Influence Ranking under Limited Cost in Social Network, MRLC)并证明此问题为NP-hard问题。针对MRLC问题,本文首先提出了一种智能选择贪心算法来近似解决这个问题并基于函数的子模性提高了算法的运算效率。针对大规模的社交网络,本文提出了多步影响力调节算法(Multi-Step Influence Adjust, MIA)。MIA算法综合考虑节点的邻居节点数目、邻居节点的影响力和邻居节点受影响状态并进行多轮迭代来计算节点的影响力。我们通过在真实数据集上的实验比较了各种算法的运算效果和运行效率,实验结果表明智能选择贪心算法取得了最好的实验效果,MIA算法在大幅度提高算法的运行效率的同时也取得不错的实验效果。