随着微信、微博等社交媒体的迅速流行,利用社交网络进行信息传递变得快而有效。通过对信息传播机制进行建模分析,可以更好地对社会网络进行信息扩散预测或舆情监控等的研究应用。如影响最大化就是基于某传播模型,找到最具影响力的一组节点即种子集,是对传播机制的重要应用。专家和学者们提出了许多传播模型,有反应信息在传播过程中衰减的、有反应多种信息间竞争传播的。然而对信息间存在促进作用的传播机制研究较少,这种情况在实际中却经常见到。本文是以社会网络中信息传播为背景,针对网络中存在促进关系的关联信息的传播模型和该模型下的影响最大化问题开展的研究工作。本文的工作概括如下:(1)基于线性阈值(LT)模型进行扩展,通过表示节点间影响力度的边权值的变化来体现一信息对另一信息传播的促进作用,提出关联信息线性阈值(AILT)模型。并给出一种从网络结构和历史数据中获取边权值的方法。我们将AILT与LT模型相对比说明了借助关联信息,待传播信息扩散范围的期望会增大。(2)AILT模型下影响最大化的种子集搜索是NP-hard问题,采用贪心算法可以将AILT模型下种子集搜索的时间复杂度降低到多项式时间。我们证明了 AILT模型的传播收益函数具备子模性、单调性和非负性。这样,可以保证使用贪心算法得到种子集的传播效果结果不低于最优解的1-1/e。(3)当网络规模较大时,使用贪心算法耗费的时间是难以接受的。我们受到陈浩启发,提出CIR种子选择算法。该算法通过估算边和候选节点对传播的潜在贡献值来选取种子,由于节点潜在贡献的估算被限制在以该节点为中心的局部网络内,所以算法的效率相比贪心算法大大提高。又因潜在贡献的计算相对独立,我们将CIR算法扩展,提出并行的PCIR种子选择算法,并采用Spark框架实现。(4)我们使用了 HepTh、Web-Stan和Pokec三个大小和领域不同的真实网络数据集对文本提出的模型和算法进行测试。实验结果说明了在AILT模型中借助关联信息时,待传播信息的扩散效果会更好,也说明了 PCIR算法的有效性和高效性。