随着信息技术的迅猛发展,参与到社交网络的人越来越多,人们乐于在网络中去分享信息,拓展自己的人脉,企业也能通过社交平台去直接影响客户。在线社交网络已经成了人们生活中密不可分的一部分,社交网络的相关分析也日益得到各个领域的关注。社交网络分析中重要的分支之一是信息扩散研究。信息扩散研究具有自己的特点和难点:在线社交网络规模庞大,很难设计高效的方法;传播模型的多样性,要根据实际情况设计好相应的传播模型。为了解决这一系列的问题,使得在线社交网络中的信息扩散的研究充满了挑战和机遇。本课题针对在线社交网络中的信息扩散问题,从代价因素和时间因素两个方面完成了以下工作:考虑到目前影响力最大化问题的研究中,对于不同用户具有不同代价的情况的研究甚少,所以本课题提出一种叫MODC的启发式算法来解决代价敏感影响力最大化问题。该算法既考虑到用户的网络结构性质又顾及到代价因素,优先选取出度与代价比例高的用户加入信息源集合。在不同的数据集和不同代价分布的情况下对比了MODC、MOD、MOW算法,验证MODC算法要优于MOD和MOW算法。考虑到在线社交网络中,信息的时延主要是由上线规律引起,本课题在权重级联模型的基础上,通过加入在线模式设计了时间敏感传播模型。为了解决时间敏感信息扩散问题,本课题设计了GAOP算法,该算法利用时间片轮转方式模拟了时间敏感传播模型下的信息扩散过程,并且每次选择具有最大边际影响增益的用户加入信息源集合。本课题在不同时间因素的场景下,对比了GAOP算法和其他算法的效果。实验结果表明,在不同的信息发布时间和不同信息有效时间的情况下,GAOP算法都表现得比其他算法效果要好。同时,本文通过实验验证了时间因素对信息扩散的重要性,并分析了时间因素是如何影响信息扩散的。