社交网络影响力最大化问题就像营销领域中的“病毒式营销”问题,是在一定的条件约束下,以一定的规则选取一组初始节点,然后运用影响力的扩散模型,使得选择的初始节点能够影响的范围达到最大。然而在以往的研究当中,大多只考虑了网络图中的节点与边的属性,没有考虑到整个网络的社区结构性质,这导致得到的实验结果不能满足结构复杂的现实网络。为了综合考虑到网络的社区结构性质,并提高影响力最大化算法的准确性,在本文中,提出了一种基于重叠社区结构的最大化影响力研究方法。首先,提出了一种基于k-means算法的社区聚类算法。并对k-means算法的初始选择随机性和聚类过程中总是选择距离最近的节点的原则,对k-means算法进行改进,得到算法初始的粗糙社区结构。其次,提出了一种社区结构重叠社区发现算法。在算法中,对社区间的节点进行重叠节点判断,以此来改进聚类结果,并可以进行重叠社区发现。再次,提出了一种基于阀值影响力最大化初始节点选择算法。在算法中,通过统计一个节点的连边数目来判断节点的潜在影响力,每次都选择潜在影响力最大的节点作为初始节点,并是不简单的使用节点的度来判断节点的影响力。基于这种思想提出了本文中的最大化影响力算法。最后,选取Slashdot Zoo社交网络数据,并搭建了实验环境,进行验证。在实验中,对比了k-means聚类算法与改进的算法;对比了贪心算法的影响范围与文中提出算法的影响范围,并对实验结论进行了分析。