Les plateformes sociales en ligne (OSPs) comme Twitter/X, Facebook ou Instagram ont profondément transformé la diffusion de l’information et les interactions sociales. Comprendre les mécanismes de l’influence, individuelle ou collective, dans ces environnements vastes et dynamiques constitue un enjeu central de l’analyse des réseaux sociaux. Les métriques de centralités, classiques en théorie des graphes, ne saisissent pas toute la complexité des interactions en ligne. Cette thèse propose des méthodes efficaces pour mesurer et analyser l’influence dans des réseaux multiplexes, en conciliant perspectives sociologiques et efficacité computationnelle. Plusieurs objectifs guident ce travail : assurer le passage à l’échelle d'une mesure d'influence récente, relier influence et structures communautaires, et intégrer la diversité des types d’interactions. Les contributions majeures incluent des algorithmes rapides pour la mesure d’influence à grande échelle, et une méthode de détection de communautés basée sur les réseaux de neurones de graphes. Ces apports renforcent la compréhension théorique et l’analyse pratique de l’influence et des dynamiques communautaires dans les plateformes sociales en ligne.