随着互联网技术的快速发展,社交网络结构日趋复杂,对于社交网络的研究一直是一个热门课题。如何快速准确地评估社交网络中节点的重要性对于后续挖掘网络中具有较高影响力的核心节点、社区划分以及社交网络影响力最大化等研究工作都具有重要意义。针对社交网络中节点重要性的研究,已经取得了一些成熟的研究成果,并应用到生物科学、物理科学以及社会生活等各领域中。本文主要研究社交网络中的节点重要性评估算法,具体工作内容和成果如下。本文提出了一种基于邻居节点K指数的节点重要性评估算法,将评估论文作者影响力的K指数扩展到社交网络中节点重要性评估的研究。首先通过计算各节点K指数值作为节点自身的影响力指标,然后根据本文提出的邻居节点间接影响力分量来计算邻居节点对其产生的影响,最后综合考虑社交网络中节点自身的直接影响力以及邻居节点对其产生的间接影响力作为该节点的重要性指标。与现有算法分别从区分度、准确度和时间效率三方面进行对比实验,实验结果表明本文方法具有较高的区分度、准确度和较低的时间消耗。在不同拓扑结构的网络中本文方法均展现出较好的性能,可见本文方法稳定性较好。本文提出了一种基于节点位置的时序网络节点重要性评估算法。在现有时序序列网络模型基础之上,本文将K核分解算法扩展到时序网络,依据经典K核分解得到的结果来定位节点在网络中的位置信息。通过计算不同时序切片内边权重的方式保留时序网络的时序信息,并与K核分解算法得到的节点位置信息结合,计算出时序网络中节点的重要性指标,提出了一种基于节点位置的时序网络节点重要性评估的方法。通过在真实时序网络数据集中进行区分度和准确性实验,可见本文方法在时序网络模型中的有效性。本文基于时序序列网络模型,通过调整经典SIR传播模型并将其扩展到时序网络中,提出了一种用于衡量时序网络节点重要性评估算法性能的方法,并使用该方法来验证本文提出的基于节点位置的时序网络节点重要性评估算法的性能。