本文主要研究社区影响最大化及其传播模型。所谓影响指的是新事物或者创新的影响,影响最大化就是在一定时间内让某种影响传播到社会网络中尽可能多的成员。这是一个新的学科交叉研究方向,它涉及的主要领域包括集体行为、社会网络、创新传播等。随着对集体行为的阈值模型、网络动态性和创新传播的深入研究,人们已经在影响最大化方面提出了一些影响最大化算法(如:度算法、随机算法、贪婪算法等)及其传播模型(如:线性阈值模型、独立级联传播模型、递减级联传播模型等)。近年来,随着对网络性质的物理意义和数学特性的进一步研究,人们发现许多实际网络都具有社区结构。这样,我们可以把社区的概念引入到影响最大化中来。本文深入研究了社会网络中社区的相关思想、算法以及影响最大化的相关算法和传播模型,并基于创新传播中意见领袖的概念和作用提出了两种新的社区影响最大化算法和一种新的影响传播模型:1、AMICS(Approach to Maximizing the spread of Influence based on Community Structure)。该算法考虑到社会网络中的社区结构,在进行影响最大化时,先利用已有的社区挖掘算法识别出隐含在网络中的社区结构,在此基础上评估节点连接的社区数,从而迭代选择跨越社区数最多的节点作为最有影响力的目标节点集来最大化影响的社区覆盖。2、AMICD(Approach to Maximizing the spread of Influence based on Community Amount and Degree)。该算法基于社会网络中节点所连接的社区数和节点的度来评估节点的重要性,从而选择最有影响力的节点作为目标节点集来最大化影响的社区覆盖。3、完全级联传播模型。作者在对线性传播模型、独立级联传播模型、递减级联传播模型深入研究的基础上,针对它们不能充分反映节点间相互影响强度的动态变化而提出的一种新的影响传播模型。通过对AMICS算法、AMICD算法和完全级联传播模型在两个真实数据集上进行实验,并与传统经典算法和影响传播模型的实验结果进行对比、分析,验证了本文所提出的算法和影响传播模型的有效性和正确性。