随着Twitter、微博等社交工具的广泛应用,社交网络大数据集合应运而生。在对由大量结点和结点间的连接关系形成的网络结构的研究工作中,社区（community）的概念得到广泛关注。社区是指在网络结构中内部结点间的联系较外部结点间的联系更为紧密的子网络。网络中的社区发现问题可以广泛应用在现实生活中,如进行兴趣社团推荐、犯罪团伙识别等。然而,现有的社区研究工作主要关注结点之间的结构凝聚性,仅有的少量结合结点的数值属性进行社区查询的工作也具有一定的局限性,不能切实有效地满足现实应用的需求。为此,本文对数值属性网络中的社区发现问题展开了研究,具体地,本文的贡献点可以概括如下:1、提出了单个数值属性网络中k-影响社区（k-influential community）的top-r查询优化算法:ITIC（Index-based Top-r Query Algorithm for k-Influential Community）。首先,提出了W-D（Weight-Degree）索引,用于管理各个结点的度数及其具体的邻居结点。基于该索引,该算法从权重较大的结点开始处理,无需处理大多数权重较小的结点,并且不需要频繁地计算图中的连通分量;另外,算法渐进输出k-影响社区,可根据用户的需求在任何时间终止算法。2、提出了多个数值属性网络中的轮廓社区发现优化算法:SCDCI（Skyline Community Discovery Algorithm Based on Combined Index Structure）。首先,提出了组合式索引结构,包括两个部分:度-邻索引和倒排索引。度-邻索引用于过滤结点并判断最大k-core;倒排索引有助于算法更快达到结束条件。然后,SCDCI算法基于该索引对结点进行处理,避免了大量冗余计算。并且按结点属性值的降序进行扫描,因此只需处理网络图中的部分结点就能得到结果。3、通过一定量的对比实验证明了本文所提算法的正确性。与NC算法和Local Search算法进行对比,证明了k-影响社区top-r查询优化算法（ITIC）的高效性;对比SC-SP算法,证明了多值网络中的轮廓社区发现优化算法（SCDCI）的高可用性。总之,本文中提出的ITIC算法和SCDCI算法能有效解决数值属性网络中的社区发现问题。