近年来,随着互联网的飞速发展,促进了如微博,微信等大规模在线社交网络的迅速发展,通过社交网络来发布消息并转发评论的用户数也在不断的增加。大量真实的社交网络数据吸引了越来越多的研究者投身其中,目前研究者在关于社交网络信息传播的研究方向主要有以下几个,挖掘信息的传播规律,挖掘在传播过程中对整个网络有较大影响力的节点,计算节点之间的传播概率,影响力最大化研究。其中影响力最大化起源于早期商人推销产品所采用的口碑效应。在已有的影响力最大化的研究中,大部分研究都忽略了主题因素在信息传播中起到的重要作用,将节点间的激活概率设置为定值。本文提出了面向主题的信息传播模型,在计算节点间传播概率时考虑两个方面的因素,一个是用户对消息的兴趣程度,一个是用户之间的交互程度。其中用户和消息的主题分布获取采用了推荐系统中的隐语义模型,将主题当做模型中的隐含变量,将原始的用户-消息矩阵分解为用户-主题矩阵和主题-消息矩阵的乘积,用户对消息的兴趣度用用户隐向量和消息隐向量的点积表示。在解决主题相关的影响力最大化问题时,利用影响力增量的子模性,本文将种子节点的挖掘分为了两个部分。第一部分不需要消息的具体主题分布,根据构建的信息传播概率图计算出每个节点的影响力上界,按节点影响力从大到小的顺序排序后保存起来。第二部分是挖掘已知主题分布消息的影响力最大化种子节点集,通过计算在由此消息产生的具体传播概率图时,该节点对当前网络产生的实际影响力增量,迭代的将当前循环中影响力增量大的节点加入种子节点集中。为了进一步提高效率,将原始的社交网络图通过社区划分分解成一个个较小的社交网络。本文根据提出的面向主题的信息传播模型,实现了面向主题的影响力最大化算法,通过实验对比验证了算法的有效性。