信息传播是社会网络分析的一个重要分支,它与每个人的生活息息相关。人们向自己的朋友推荐自己购买的好产品,向他们传播先进思想,这些都是信息传播中“口碑效应”的一种展现。影响最大化问题是信息传播中的一个重要问题,它研究的是在给定种子数量的情况下,如何寻找初始的种子节点,使得在指定的影响力模型下,这些种子节点所能够影响覆盖范围最大化。种子节点选取问题已经被证明是NP-Hard,现有的贪心算法运行效率都比较慢,不能扩展到大规模的社会网络当中去。很多影响最大化算法没有考虑到网络的社团信息,而社团内部的节点联系远远比社团外部联系紧密。本文在独立级联模型下,提出了新的节点激活策略,并在非重叠和重叠社团结构上验证新激活策略的有效性。并且在内部激活策略的基础上,提出了基于社团结构的影响最大化算法,本算法的效果接近贪心算法,而且极大提高了时间效率,能够解决大规模网络的影响最大化任务。本文的工作主要在如下四个方面：1.针对种子选取阶段的节点激活策略问题,提出了新的激活策略：内部激活策略以及概率激活策略。2.针对重叠社团发现问题,改进了使用标签传播的重叠社团发现算法。本文中重新定义了节点之间的关系强弱,并定义了节点与社团的亲密程度。3.针对影响最大化问题未考虑社团结构问题,提出了基于社团结构的影响最大化算法。本算法分为两个主要步骤,第一步是进行社团发现。第二步是在社团的基础上,计算每个社团的影响范围。4.针对以往影响最大化问题未考虑传播时间的限制,引入了传播时间受限下的影响最大化问题。给出了传播时间受限下利用子模性加速后的贪心算法,并将该算法与本文提出的基于社团结构的算法进行对比。