随着移动互联网的发展和智能终端的普及,可收集的数据以前所未有的速度增长。数据量的剧增给分析和处理带来了前所未有的挑战。如何高效地处理大量数据,以及提取数据中的特征信息成了目前的一个研究热点。分布式处理已经成为一个流行的大数据分析工具,许多相关问题要求人们根据需求来实现合适的分布式算法。本论文重点研究了两个与大数据相关的问题,分别针对动态的在线社交网络信息传播与在线用户行为特征。经过分析,我们实现相应的分布式解法。在线社交网络的普及使得信息传播变得迅速。在本文的研究中,我们重点关注如何在有限的成本限制下选取合适的信息传递点,使得信息的影响力最大化。经过对异构的网络数据进行分析,我们提取了其中的关键网络动态特征,并明确了优化问题。针对网络的动态性,本论文利用递进式的社区发现来划分网络,同时提出了动态选取节点的算法来跟踪网络的实时变化,使得信息传播在不同的条件下都得到影响力优化。实验显示动态的算法能够更好地利用实时的信息传播状态来推广信息。在线的时序行为数据能够表现出用户的兴趣。论文重点研究了一个公开的电子商务数据,对超过千万的用户点击行为与购物记录建立联系。通过对数据的基本统计分析,本文获取了一些重要的行为特征指标。根据这些指标,本文提出了一个含有隐变量的图模型,旨在刻画出用户在线浏览商品时的动机和心态,然后来预测其购买具体商品的概率。实验证明该模型相比经典的算法有更高的精确度和鲁棒性。