互联网的普及和web2.0技术的广泛应用,使得在线社交网络得到迅速发展,而这些社交平台也改变了人们的社交方式和日常生活。因此,社交网络的建设与分析已经受到大量研究者的关注。社交网络影响力分析和信息传播模型是社交网络分析的重要研究内容,二者之间联系密切,相辅相成。通过分析社交网络中用户的影响力可以了解信息传播的关键因素;而信息传播模型可以表征信息的传播机制,是社交网络影响力评估的基础和依据。本文主要从影响力度量准则及其实现算法方面对社交网络的关键节点进行分析,对情绪伴随信息传播和控制问题进行信息传播建模研究,主要工作和创新点总结如下:1.针对移动社交网络,提出基于多社会属性加权的中心性度量方法,为移动社交网络寻找重要节点提供依据。将连接时长引入时间演化模型,并将由人类移动特征产生的多种社会属性量化为边的权重,同时在连接强度(权重)定义中引入修正因子,新量化的连接强度即多社会属性权重。利用多社会属性权重扩展定义了传统中心性,构造了两个协调参数,分别应用于多社会属性的度中心性和多社会属性的最短路径;进而将多属性最短路径应用于接近中心性和介数中心性。实验结果表明,相比于社会关系指数,多社会属性权重能更好地表征节点间的紧密度;多社会属性中心性能够有效地识别移动社交网络中的重要节点;多社会属性度中心性和多社会属性介数中心性(或接近中心性)有一定的相关性。2.针对动态社交网络,提出一种有效的影响力最大化算法,通过更新新增种子节点影响到的节点激活概率来解决动态影响最大化问题。在动态独立级联模型下,从理论上证明了影响力传播函数的单调子模特性,并给出递推公式。同时该算法得出的种子集合的影响力至少近似最优解的(1-1/e)。三种真实社交网络的实验结果表明,不管在哪种概率模型下,该方法在性能上优于已有的两种影响力识别方法。实验还说明,在动态独立级联模型下,当网络有多个环时,实际影响小于计算的影响传播,这种特殊情况与传染病模型(Susceptible-Infected model,SI模型)相似;分别对前t个网络和前t-1个网络计算种子集合,二者得出的共同种子数量随着第t和第t-1两个连续快照图相似度的增加而增加。3.针对具有共同用户的动态多社交网络,建立动态多社交网络传播模型。该模型将多个动态网络合并成一个动态网络,即将共同用户相互的自传播边加入到整合网络每帧的快照中,进而将第四章的动态影响最大化算法扩展到动态多社交网络。实验分析表明,提出的动态多社交网络传播模型,不仅能够准确生动地表征动态特征,而且能体现共同用户对多个社交网络产生的相互影响;如果共同用户选取的是各个网络中影响力较大的节点,多个动态社交网络的相互作用更加明显。4.针对社交网络中具有争议的热点事件,提出一种情绪传播模型,为实际网络中信息传播和情绪控制提供理论依据。通过分析社交网络中情绪传播机制,建立了每个状态的平均场理论传播动力学微分方程,即基于情绪的SE2IR(SusceptibleExposed-positive/negative Infected-Removed)系统模型。针对控制策略的成本约束的社交网络中正面情绪的最大化问题,基于最优控制理论,提出控制手段和最优控制问题,并求解出可控SE2IR模型的最优解。针对4种控制手段的16种组合形式,利用最优控制系统,给出每种情况对应的最优控制策略,通过仿真对比每种最优控制策略对应的正面传播节点密度曲线和控制代价,根据代价、正面传播节点增加速度和峰值的不同需求,为实际情绪控制提供合适可供选择的控制策略。仿真结果还表明,手段4及包含手段4的混合手段情况下的最优控制策略能使正面传播节点的速度较快,峰值较高,此时可根据控制代价选择较优的组合手段形式。