随着科技的进步以及社交网络的不断发展,影响最大化问题逐渐成为了社交网络中的关键问题。而传统的影响最大化问题已经不能满足当前应用场景多样化的需求。因此个性化影响最大化作为社交网络影响最大化的一个分支出现在人们的面前。个性化影响最大化问题就是以特定的社交网络用户作为对象,挖掘使其受影响程度达到最大的初始影响传播用户集合。本文从传播模型的方面考虑,对个性化影响最大化问题展开了探究,分别提出了基于多重级联模型的影响最大化算法以及基于热传播模型的影响最大化算法。(1)基于多重级联模型的个性化影响最大化。多重级联模型是对传统独立级联模型的扩展,传统IC模型中用户的状态只有激活或者非激活两种,不能很好的模拟真实传播过程。多重级联模型中用户状态是被激活次数的累加和。本文研究多重级联模型下个性化影响最大化问题。给定社交网络和目标用户集合,个性化影响最大化问题的目的是找到最有影响力的k个种子节点,从种子节点开始传播,最终使目标用户被激活的总频次最大。本文提出基于多重级联模型的多目标影响最大化算法,目标用户被影响的频次作为衡量种子对目标用户的影响强度。使用广度优先遍历的方法限制传播步长。然后对候选用户进行聚类,以聚类中心为种子节点展开信息传播,最大程度的影响特定用户。实验结果表明,本文提出的基于多重级联模型的传播机制能够用相对较少的时间获得更广的传播范围。(2)基于热传播模型的个性化影响最大化。现有方法大多基于IC模型和LT模型,而这两个模型在对节点影响的预测都依赖蒙特卡洛模拟。为了避免蒙特卡洛模拟时间损耗以及更加贴切实际生活,本文将热传播模型引入到个性化影响最大化问题中,使用热量扩散过程来模拟信息影响的传播。本文用热能衡量对目标用户的影响强度,并对候选用户进行聚类,以聚类中心为种子节点展开信息传播,最大程度的影响特定用户。为进一步减少算法的时间,本文提出一个基于广度优先遍历的优化方法来缩小候选集合规模。实验结果表明,本文提出基于热传播模型的传播机制能够用更少的时间获得更广的影响传播范围。