随着互联网技术的飞速发展,在线社会网络逐渐变得庞大并且结构复杂,所呈现出来的社区结构通常是可重叠的,如何准确有效地发现这些复杂社会网络中的重叠社区结构,是社区发现领域的难题。现有的重叠社区发现算法大都集中于根据网络结构来划分社区,但这些算法得到的社区结果的准确性仍有待提高。社会网络的另一个特性是信息传播特性,由此产生了社会影响最大化问题以及一系列相应的解决方案。为此,本文结合社会网络的信息传播特性以及社会影响最大化的考虑,通过初始标签单位的赋值以及传播过程中标签影响力因子的考虑来改善现有标签传播重叠社区发现方法的算法准确性,使得社区结果的质量有显著的提高。本文对国内外社会影响最大化的方法以及社区发现的方法进行深入研究,在此基础上,提出了融入影响力的重叠社区发现算法。首先通过可调参数的社会影响最大化算法,计算出网络中最具影响力的k个节点；然后对这k个节点进行团扩展,得到可重叠的最大影响力的粗糙团,作为标签传播的初始单位。接着提出了全局的标签影响力的计算方法,计算这些粗糙团中的节点所属社区的强度系数,并设定合理的标签传播顺序,在标签传播的过程中考虑标签的影响力进行标签传播,直到达到标签传播的终止条件结束迭代过程。通过在基准程序生成的4种不同结构的人工网络图以及一个真实的公开数据集上进行的实验分析,结果表明,在社区规模相对较小的网络图上,本文提出的算法在社区质量上比现有的标签传播重叠社区发现算法有明显的提高。