本文提出了一个新的研究问题即考察属性信息与图拓扑的关联程度，它涵盖了相当广泛的一类现实问题，有着很强的实际背景和应用前景。比如，人们常常会因为朋友的推荐而去购买某种商品，这种购买行为与消费者所在的社交网络有着深刻的联系。对商家来说，如果能了解购买行为与社交网络关联性的强弱，便能通过优化广告的投放策略而获利，因此对这个问题的研究蕴含着很大的商业价值。　　 在一些直观思想的引导下，本文提出了一个有意义的度量属性与图结构关联程度强弱的方式——p-measure。p-measure直观意义明显，计算简便，并且易于拓展。利用p-measure，我们可以很容易地看出某种属性与图结构关联程度的强弱，了解关联性程度随着时间演化的特点，也可以发掘不同属性与图结构关联程度的差异。　　 本文给出了计算p-measure的核心算法——M算法。度数限制规则的引进则大大提高了算法的效率。我们还从理论上分析了算法的复杂度。　　 本文通过大量有代表性的实例来考察算法的有效性和实用性。从各个例子来看，算法能比较好地反映我们的构建意图。考虑到处理现实中大型数据的时间经济性的要求，我们利用机器学习和假设检验的基本思想，使得算法在采样次数不大的情况下仍能给出具有统计精度的解。　　 本文对p-measure做了一个直接的推广，使得它稍加修改就能用来计算多种属性关于图结构的关联程度，这大大地拓展了p-measure的理论价值以及应用前景。