病毒式营销是社交网络中重要的应用,现实场景中,社交网络中的用户通常属于某个具有特定组织结构的社交团体,因此如何选择给定数量的团体,基于所有团体内节点之间的相互信息传播,使得网络接收信息的用户数量最多,对于充分利用社交网络传播特性进行产品营销具有重要意义。对于社交团体的网络影响力最大化问题,在团体层面模拟网络中信息传播具有更好的拓展性,设计了模拟团体信息传播过程的GLISM模型,GLISM模型包括:基于团体的网络图、描述网络图上信息传播的信息传播规则。同时,给出了GLISM模型中团体集合信息传播范围的计算方法,并讨论了GLISM中信息传播范围函数的性质。设计基于GLISM模型的贪心算法GLISMGreedy,GLISMGreedy算法利用GLISM模型计算团体的信息传播范围边际效益,并结合GLISM模型的次模性质使得效率得到提升。为得到拓展性更好的算法,基于GLISM模型构建的网络图,设计了启发式的IR-DU算法,IR-DU算法以团体影响力作为团体信息传播范围边际效益的估值,并得到团体影响力初始值的计算方法,算法使用团体影响力作为选择种子团体的标准,并在选择种子团体过程中对团体影响力重新计算以减少团体影响力的覆盖重合。最后通过实验分析算法的效果,实验选择NetHEPT和DBLP数据集,以信息传播范围和时间效率作为评估标准,选取基本贪心算法、Topcgo算法以及基于度的启发式算法进行对比,对实验结果进行分析,实验结果表明GLISMGreedy算法和IR-DU算法得到的信息传播范围非常接近基本贪心算法,但时间效率能够有效提升。GLISMGreedy算法得到的信息传播范围要大于IR-DU算法,但IR-DU算法的效率更高。同时与Topcgo算法相比,GLISMGreedy算法和IR-DU算法能得到更大的信息传播范围,稳定性更好,且IRDU算法的时间效率要优于Topcgo算法。