近年来,随着Web2.0技术的广泛应用,在线社会网络得到了迅速发展,它给人们提供了展示自我和资源共享的平台。在线社会网络拥有庞大的用户群,吸引着越来越多的学者对其进行研究。本文针对网络结构和用户特性进行分析,提出了两种在线社会网络中节点影响力评估的方法,给出了影响力评估的一种应用,主要工作包括以下几方面：在全面分析在线社会网络的结构特征和用户特性的基础上提出了基于用户属性及行为的影响力评估方法。首先分析了用户属性和用户交互行为对影响力的作用,之后利用层次分析法确定每个属性的权重,对用户属性进行定量分析,给出用户属性的量化表示。然后引入PageRank算法思想来衡量用户之间的交互行为对影响力的作用,根据在线社会网络特性修改了PageRank原始算法中“贡献”分配的概率。最后综合用户属性和行为提出了IR(Influence Rank)评估模型。实验表明,与传统评估模型相比,利用这种模型得到的用户影响力更加合理有效。在充分考虑用户属性和网络拓扑结构的基础上,从数据场思想出发,提出了基于拓扑势的影响力评估方法。在线社会网络中每个节点周围存在着一个虚拟的作用场,位于场中的任何节点都受到其他节点的综合作用,该方法引入拓扑势来描述网络中节点之间的相互作用,构造了势值函数,函数值的大小代表了影响力的强弱。在影响力评估过程中根据在线社会网络的基本特征,确定了势值函数中必需的三个参数：用户质量、网络距离和影响因子。本文利用影响力评估的结果,提出了一种基于节点影响力的局部社区发现算法。算法实质上是通过比较相邻节点的影响力大小来划分社区,影响力大的节点能吸引影响力小的节点成为其所在社区的一员。算法根据节点的影响力有选择地进行广度优先搜索,通过比较影响力的大小确定节点所在的社区,不断重复这个过程就能发现越来越多的社区,进而可确定整个网络的社区结构。实验结果验证了该算法具有较低的时间复杂度和较高的准确性。