Junto con el rápido desarrollo de la tecnología de la información, las redes sociales en línea se han vuelto cada vez más populares, lo que ha cambiado en gran medida la forma de difusión de la información. La maximización de la influencia es uno de los temas de investigación candentes en el análisis de redes sociales en línea. Se refiere a la extracción de los nodos principales más influyentes de una red social en línea para maximizar la propagación final de la influencia en la red. Los estudios existentes han demostrado que los algoritmos ávidos pueden obtener un resultado altamente preciso, pero su cálculo es consumidor de tiempo. Aunque los algoritmos heurísticos pueden mejorar la eficiencia, es a expensas de la precisión. Para equilibrar la contradicción entre la precisión del cálculo y la eficiencia, proponemos un nuevo marco basado en el razonamiento hacia atrás llamado Maximización de la Influencia Basada en el Razonamiento hacia Atrás. Este nuevo marco utiliza el área de máxima influencia en la red para inferir de manera inversa los nodos de semilla más probables, que se basa en la estimación de máxima verosimilitud. El esquema que adoptamos demuestra cuatro fortalezas. Primero, logra un equilibrio entre la precisión del resultado y la eficiencia. Segundo, define la cardinalidad de la influencia del nodo en función del proceso de difusión de la información y la estructura de la topología de la red, lo que garantiza la precisión del algoritmo. Tercero, el método de cálculo basado en el paso de mensajes reduce en gran medida la complejidad computacional. Más importante aún, aplicamos el marco propuesto a diferentes tipos de conjuntos de datos de redes sociales en línea reales y realizamos una serie de experimentos con diferentes especificaciones y configuraciones para verificar las ventajas del algoritmo. Los resultados de los experimentos son muy prometedores.