由於社群網站的成功，社群網路分析(Social Network Analysis)在近年內受到大量的關注，而社群影響力即是一個熱門議題，代表使用者與朋友之間傳遞訊息或資訊的行為。為了模擬社群影響力的傳遞過程，我們利用社群影響力模型來進行預測，將社群網路使用者視為節點，節點之間的連結為使用者之間的互動程度或親密程度，傳統的影響力模型將節點分為活躍(Active)和不活躍(Inactive)狀態，代表節點在社群網路中是否有主動散播正向影響力的能力，用以模擬事件的正向影響力傳播，此外，若節點被成功影響為活躍狀態，這些節點將不能返回不活躍的狀態。

　　因此我們提出了MOO (Multi-State Open Opinion Model based on Positive and Negative Social Influences)模型，我們改善了上述兩點限制，並設計了新的傳遞影響力方式，在我們的多型態影響力模型中，節點不只是活躍和不活躍的狀態，考慮到負向影響力，可以分為五種代表性的影響力狀態，正向且活躍、正向但不活躍、中立、負向但不活躍、負向且活躍，如圖所示，節點間之影響程度取決於彼此熟悉與互動程度，我們根據五種影響力狀態去定義影響力傳遞以及計算正向和負向影響力的制衡，並考慮到社群影響力的傳遞會隨時間而衰減的因素，設計出一套完整的影響力傳遞預測模型，並透過實驗結果顯示我們的模型在真實的社群網路上有著良好的預測表現。其成果發表 於IEEE/ACM International Conference on Advances in Social Network Analysis and Mining 國際會議。

　　隨著社群網站與微博空間的興起，資訊的傳遞已更加快速，然而在社群網路中，一個具有高影響力價值的影響者(Inlfuencer)，其思想、言行較一般人更容易說服讀者或引發共鳴，進而影響他人之行為與決策，基於市場行銷與資訊散播之成本效益等，如何在一群人之中尋找重要的影響者即成為一個值得深入探討的問題。過去在線上社群網站中尋找重要影響者，主要著重於分支度分析(Degree, Closeness centrality)與探勘 使用者之社交互動(Social interations)等社群結構資訊，但我們認為，一個人是否可以成為高影響力的影響者，除考量其社交地位，探勘其社群網路中之貼文亦是相當重要的，因為人們往往更容易受到熱門與重要貼文的影響。

　　因此，我們提出一套新的方法，加入考量使用者文章權威度影響力(Authority Influence)，並輔以時間因素模擬文章在社交媒體上之熱門與退燒程度，藉由觀測使用者之文章是否皆為高品質貼文，探勘當下之重要影響者；最後，我們實際利用Epinions社群數據集資料與Twitter用戶資料集做實驗，結果證實該方法找出之重要影響者，確實可以比現存之其他方法影響更多的使用者。

　　在社群網路中，影響力最大化是一個重要的議題。當多家公司推出類似的產品或服務時，由於資源有限，公司必須擬定一個策略，盡可能佔據最大的市佔率。公司在搶占市場的過程中，會根據競爭對手的策略和現在的市場狀況也不斷改變自己的策略，所以從長遠來看，使用單一策略來決定傳遞種子是不夠的，這個問題會被定義成多回合的選擇傳遞種子並傳遞影響力搶占市場的過程，每一回合的策略需因應網路中節點狀態的變化而改變。在這個研究中，我們提出了一個通用的決定性網路自適應（DNA）框架來解決多回合多方的影響力最大化問題。

　　DNA框架利用增強式學習和蒙地卡羅樹狀結構達到最大化多回合後累積的影響力，如圖一所示。此外，學習過程是決定性的，也就是說我們不花時間探索不重要的可能性。我們還進一步設計一個相似度函式來衡量兩個網路的傳遞傾向的相似度，因此可以避免多餘的計算，而直接使用過去生成過的策略。此外，公司在搶占市場的策略上，除了與競爭對手的競爭關係，也有可能選擇和競爭對手先合作打通市場之後再競爭的情況，因此我們提出基於DNA框架的競合策略決策方法，達到影響力最大化的目的。實驗部份使用模擬生成的資料以及真實的社群網路資料進行評估。實驗結果證實了DNA框架優於現有影響力最大化演算法，在大多數情況下都表現最好。

　　影響最大化係指於給定社群網路中識別預定數量之種子點，透過選定的種子點，其目在於最大化影響力的傳播。雖然這個問題在過去已經被廣泛的研究，然而，之前的研究大多在非極性網路下探討這個問題，這意味著極性關係仍然在很大的程度上被忽略。

　　在本研究中，我們對極性感知影響力最大化問題進行定義，該問題涉及了種子點的識別，其中種子點將同時最大化正面影響力並最小化負面影響力。透過結合二元意見和極性關係兩項重要的特徵，我們對經典獨立串聯模型進行擴增，此外，更針對極性感知競爭影響力模型(SCIC)探討不同主宰機制下的競爭型態影響力傳遞。而後，我們證明了極性感知影響力最大化問題(SIM)於極性感知獨立串連模型下具有非單調性及非子模性的特性，基於這項證明，貪婪爬山演算法在解決極性感知影響力最大化問題時將無法達到1-1/e的近似最佳解的保證，這也凸顯出了在這個問題下效率及效能間的取捨。為了解決這個問題，我們接著提出了極性感知競爭影響力最大化樹突 (S-CMIA) 演算法，該演算法透過模擬局部區域內的影響力傳播來衡量每個節點的重要性實驗結果證明了在解決極性感影響力最大化問題時我們所提出的演算法優於現存方法。