近几年来，随着互联网的发展，在线社交网络（如Facebook、Twitter等）的成功应用，网络上存在大规模的真实社会数据，催生了社交网络在计算机领域的蓬勃发展。在信息传播研究领域，病毒式营销(viral marketing)是一个广为研究的问题。在社交网络中病毒式营销的一个具体方案是找出最有影响力的用户，将这些用户作为信息的源头，通过口头传播方式使得信息最终能够到达网络的大部分，这也就是影响最大化问题的原型。　　然而，这种病毒式营销使用的是“广而告之”的广告模式，这种广告模式在近几年的实践中，取得的效果不甚理想。为此一种与“广而告之”对应的新型网络广告模式-----“窄告”被提出。窄告会根据浏览者的偏好、使用习性、地理位置、访问历史等信息，有针对性地将广告投放到真正感兴趣的用户面前。基于以上考虑，本文将病毒式营销手段和窄告这种个性化的广告模式结合起来，提出了带属性的影响最大化问题。　　针对这个问题，本文提出了一种概率和覆盖算法（Sum of Probability CoveredAlgorithm，简称SoPCA）和两种基于局部社区的算法，社区识别算法分别是Community-Based Algorithm(CBA)和Improved Community-Based Algorithm(ICBA)。其中ICBA是对CBA在时间复杂度上的改进算法。基于以上算法的研究成果，本文设计并实现了社交网络影响力节点挖掘原型系统。　　本文在六个数据集和拓展独立级联传播模型上进行了实验，结果表明:(a)为避免影响范围重叠问题，在算法中引入覆盖距离是有效的，最佳覆盖距离的选取受边上影响概率影响;(b)本文提出的算法的影响范围优于其他启发式算法，且网络中目标节点（与商品目标受众属性相似度不为0的节点）数目越少，算法的优势越明显;(c)在本文提出的三个算法中，ICBA的影响范围最佳，其次是CBA，SoPCA最差;在时间性能方面，SoPCA最快，其次是ICBA，CBA运行时间最长。