随着社交网络的快速发展,学术界对产品宣传和广告营销中的利润最大化问题的探索产生了强烈的兴趣。虽然IC模型和LT模型,可以很好对现实社会中的影响传播进行模拟。但是对于现实营销中的利润最大化问题,这两种模型无法对其准确刻画。因此,迫切需要开发更符合现实情况的传播模型以及研究更贴近真实社交网络的算法。社交网络中的利润最大化问题可以描述为:在特定的传播模型以及一定的成本约束下,找寻一组节点集合S,使得该集合在传播扩散结束后,可以产生最大范围的影响力,进而获得最大的利润。为此,本文提出了一种更加贴近于现实情况的传播模型,并在该模型下分别研究了静态社交网络以及动态网络中的利润最大化问题。本文的主要成果有:1.在传统的静态社交网络研究工作中忽略了现实情况中对新产品的营销其实是分阶段的,并且也忽略了在营销过程中激活节点可以多次重复激活非激活节点。因此,基于艾宾浩斯的“标准遗忘曲线”理论,本文提出了一种基于累积记忆的影响力扩散模型IV-MV(Influence Value-Memory Value),并在此基础上提出了基于累积记忆的利润最大化阶段策略算法MMP(Memory-stage Maximization Profit),并证明了该问题为NP-hard问题。多个真实数据集上的实验结果表明,MMP算法在最终影响范围和运行时间上都要优于现有的贪心算法。2.尽管近年来对于利润最大化的研究已经全面展开,但是却很少有人研究动态社交网络中的利润最大化问题。在本文中,我们提出一种有效的算法DMP(Dynamic Maximization Profit),用于解决不断变化的动态网络中的利润最大化。我们使用“分而治之”的思想先将整个网络划分成n个区域块,并且考虑到有的节点处于边界,可以从A区域到B区域,从而对A和B两个区域造成影响。但是传统的做法并没有考虑到这部分节点。为此我们引入动态社交网中利润最大化的问题。考虑区域中的稳定节点,从中找出种子节点,考虑区域中的边界节点,并从中找出种子节点,最后综合考虑这两类种子节点带来的利润,并从中选取前k个带来最大利润的节点。在现实社交网数据集上的实验结果表明,DMP算法在最终影响范围和运行时间方面都取得了良好的效果。