随着互联网的飞速发展,大规模社会网站变得非常流行,受到了广大学者的研究与关注。社会网中蕴含着大量的信息,在多个领域都有重要的应用。本文研究了社会网上的影响传播问题,主要包括以下几个方面:首先,研究了社会网上影响传播最小化问题。为了尽可能地阻碍恶意的谣言在社会网传播,本文通过删除社会网络上给定数量的边解决这一问题。传统的方法是贪心算法,但是非常浪费时间。为此,我们基于模拟退火的框架提出了一个有效的启发式算法SA-min。在真实数据集上的多个实验显示:SA-min算法无论是在有效性还是效率方面都能达到很好的性能,尤其是边的数量增大时,SA-min算法比贪心算法快2-3个数量级。其次研究了社会网上产品利润最大化问题。已有研究工作往往忽视了影响传播最大化和利润最大化的区别,以及被影响的用户总数随着时间的推移逐渐趋于平稳。本文基于用户动作日志,提出了一个基于时间长度的影响力分配模型IVA-T,根据该模型首次提出了时间最优的利润最大化问题(OTPM),并且证明了该问题是NP-hard问题。为了求解OTPM问题,提出了一个有效的近似算法并证明了该算法的近似比。在多个真实数据集上的实验结果证明了算法的有效性和效率。最后,研究了社会网上个体影响最大化问题。个体影响最大化,也就是针对给定用户,找到最能够影响该用户的节点集合。现有的工作仅仅利用社会网的拓扑结构来贪心地选取种集,由于边上的概率是预先输入的,因此使用蒙特卡罗模拟计算节点的平均影响力不但浪费时间而且不准确。针对这一问题,本文设计了一个有效的算法Data-target-max,利用用户的动作日志,针对特定用户,给可能影响到他的的节点迭代地分配影响力,从而找到对其最具有影响力的节点集合。在多个真实数据集上的实验结果表明:该算法能够有有效并且高效地地解决个性化推荐问题,与仅基于社会网拓扑结构的算法相比,不但影响力高,而且运行速度快。