随着互联网技术和Web2.0应用的飞速发展,大量形态各异的在线社交网络风靡世界,成为人们分享和传递信息的重要平台,也帮助人们在网络中维系着自己的社会关系。因此,研究社交网络中的社区结构有着非常现实的意义,也成为近些年的研究热点。研究人员曾提出过很多社区发现算法,然而很多算法都有时间复杂度较高的问题。基于标签传播的社区发现算法具有接近线性的时间复杂度,它对图中每个顶点分配一个代表其所在社区的标签,按照随机顺序对每个顶点进行标签更新。一个顶点若具有多个满足条件的候选标签,则随机选择标签。然而该算法的结果包含很多小而碎的社区,且结果很不稳定。因此我们提出了基于标签影响值的社区发现算法(LIB)。LIB算法选取一个种子集,为其中的顶点分配标签并按顶点度排序进行传播,在传播过程中为每一种标签计算标签影响值来选择标签。我们在不同类型的数据集上进行了对比实验,实验结果表明LIB算法在复杂度相近的情况下明显提高了所发现社区的质量,并有很好的稳定性。为了能更多的考虑社交网络中的动态行为,并且更多的从社会学意义上提高社区发现的质量,我们提出了基于标签影响向量的社区发现算法(LIVB)。LIVB算法将在线社交网络中的文章、视频等多种类型的实体作为图中的顶点,共同参与标签传播的过程。根据用户行为的不同将图中的边分为静态边和动态边。传播过程中为每一种标签计算标签影响向量来选择标签。我们通过实验说明了这种类型的图要比传统的社交网络图的效果更好,LIVB算法所发现社区的主题性更强,质量更好,并且保持了接近线性的时间复杂度。