目前存在的社交网络,以其提供的服务吸引并下沉众多用户,且同时多种维度的信息在用户间飞速流转。在用户间高频率交互的同时,不同节点因影响力不同对于信息传播、市场营销、舆情控制及群体性事件等产生不同的作用。因此,有效区分社交网络中不同节点的影响力有重要意义。从信息传播角度看,不同社交网络的节点因用户结构的不同而导致其在信息传播速度、时效性和传播范围等方面有巨大差异。从市场营销的角度看,通过给出在不同兴趣方向上用户影响力的排名,从而帮助新用户尽快找到有关联的信息。从舆情控制的角度看,不同平台不同用户的言论对舆情发展产生不同的影响,因此充分把握不同用户的影响力大小和范围,对于舆情控制有重要的指导意义。目前主要从以下三个角度开展具体的研究。第一,从社交网络的网络结构出发,包括节点信息、链路信息和社区信息等。第二,从节点影响力最大化角度出发。第三,从节点的异质信息开展具体研究。本文从多种角度提出不同方法,开展社交网络节点影响力的研究。本文首先介绍社交网络节点影响力研究的研究意义及国内外研究现状。然后采用广度优先的爬虫策略,爬取部分知乎网络数据,实现数据清洗和结构化存储,并实证验证知乎网路的网络基本特性及用户行为特性。接着结合节点移除和收缩的思想,利用节点删除前后的网络平均最短路径的变化,提出一种基于节点移除的中心性方法,并通过SIR(Susceptible-Infected-Recovered)模型和肯德尔系数仿真验证提出的方法可以较为准确地衡量不同节点的影响力。目前,研究人员广泛结合不同的属性和策略挖掘节点影响力,基于此在k-shell方法的基础上,结合sigmod函数对位置索引进行处理来衡量节点的位置属性,结合节点的局部信息衡量其邻居属性,并采用信息熵加权的方式对两种属性进行加权,仿真验证基于多属性的k-shell改进方法能够显著提高识别节点影响力的性能。最后,在启发式算法的基础上,结合节点对间相似性指标,提出一种基于社区划分的节点影响力发现算法,其将多个社区的中心节点作为影响力节点集合的成员,仿真验证该方法与部分启发式算法相比具有更好的性能。综上所述,中心性方法,多属性方法以及启发式方法,都是从不同角度衡量社交网络节点影响力。本文提出的三个方法对于节点影响力的挖掘具有一定效果。伴随着信息技术的快速发展,单节点信息维度不断增加,用户间交互关系更加复杂,网络异质性更加多元,这些为未来社交网络节点影响力研究提出新的巨大的挑战。