La búsqueda de comunidades es un problema básico en el análisis de grafos. En muchas aplicaciones, los nodos de la red tienen ciertas propiedades que son importantes para que la comunidad tenga sentido en la aplicación; por lo tanto, se asocian atributos con los nodos para capturar sus propiedades. La influencia comunitaria es una propiedad comunitaria importante que se puede utilizar para clasificar comunidades en una red en función de la relevancia/importancia de un atributo particular. Desafortunadamente, la mayoría de los algoritmos de búsqueda de comunidades introducidos anteriormente en la investigación de redes atribuidas ignoraron la influencia comunitaria. Al buscar comunidades influyentes, se pueden utilizar dos fuentes de datos potenciales: atributos de la red y nodos. Tratar con atributos relacionados con la estructura es un desafío. Recientemente, la red neuronal de grafos (GNN) ha cambiado completamente el campo del aprendizaje de representación de grafos al aprender de manera efectiva la incrustación de nodos y ha logrado los resultados más avanzados en tareas como la clasificación de nodos y la predicción de conexiones. En este artículo, investigamos el problema de buscar comunidades influyentes en redes atribuidas. Proponemos un algoritmo eficiente para recuperar las comunidades influyentes en una gran red atribuida. El enfoque propuesto contiene dos pasos principales: (1) Detección de comunidades utilizando una red neuronal convolucional de grafos en un entorno de aprendizaje semi-supervisado considerando la correlación entre atributos y la información general del grafo, y (2) construcción de las comunidades influyentes resultantes del paso 1. El enfoque propuesto se evalúa en varios conjuntos de datos reales. Los resultados experimentales muestran la eficiencia y efectividad de las implementaciones propuestas.