社团发现问题一直是网络科学中的研究热点之一。社团结构是网络系统中一种常见的现象,指的是网络中的相似节点形成团体（称为社团）的现象,表现为同一个社团内部的连边较为稠密而不同社团之间的连边较为稀疏。例如,社交网络中的朋友圈、神经网中的功能团通常都展现出社团结构。因此,揭示社团结构对于了解网络的结构和功能至关重要。受到物理学中的引力的启发,本文提出一种基于一维“吸引力”的社团发现方法。理论分析与测试结果表明,该方法适用于不同类型的网络,能够快速、有效地发现社团。根据网络类型的不同,本文的研究成果主要分为两大部分:1.无向无权静态网络的一维“吸引力”社团发现方法（1DA）。无向无权静态网络是复杂网络的最简单形态,在社团发现领域中受到的关注也最多。虽然针对无向无权静态网络的社团发现方法已有很多,但通常都有各自的局限性:很多方法无法计算出社团数量,而需要预设社团数量作为输入;有些方法（例如谱方法）在稀疏网络中的效果不好;有些适用于小规模网络的方法（例如Girvan–Newman方法）在大规模网络中的效果不好;而有些适用于大规模网络的方法（例如标签传播方法）却又在小规模网络中表现欠佳。针对无向无权静态网络中的社团发现问题,本文基于强社团的概念以及连边与吸引力之间的类比,提出了一种有效的一维“吸引力”社团发现方法:将网络中的节点视为质点,将节点之间的连边视为质点之间的“吸引力”。与万有引力不同,这里的“吸引力”只能沿着网络中的连边发生作用。1DA方法使用边数作为“吸引力”的度量。本文使用两种有效的节点移动方式（即最近邻移动和中位数移动）给出了具体的1DA算法。1DA算法首先在一维数轴上将所有的网络节点进行随机初始化;然后,所有的节点将在算法构造的“吸引力”作用下移动;最终,同一个社团的节点会自然地聚集到相同位置,而不同社团的节点则聚集到不同位置,从而自然地实现社团划分。1DA方法在五个典型的现实网络（Zachary空手道俱乐部网络、政治书籍网络、海豚社会网络、美国大学橄榄球网络和美国电网）和一个流行的基准网络（由Lancichinetti、Fortunato和Radicchi提出的LFR基准网络）中进行了测试,并与三种常用的社团发现方法（Girvan–Newman方法、标签传播方法和流体社团方法）进行了对比。测试结果表明,1DA方法具有以下特点:（1）社团数量不需预先设定,且能够准确地估计;（2）时间复杂度低（接近于线性,～O（n）,其中n是网络规模）;（3）在大规模网络（例如美国电网和大型LFR基准网络）中,具有最佳的表现和准确性;（4）在小规模网络中,其平均效果虽然有时表现还不够好,但由于其时间复杂度低,也可以通过重复运行1DA算法多次并将其最佳结果作为输出,从而给出高质量的社团划分结果。2.有向/加权/动态网络的一维“吸引力”社团发现方法（1DAdwd）。现实网络常会带有方向、权重、动态变化等属性,这也为解决社团发现问题带来更多的困难。主要困难体现在以下两个方面:（1）无向无权静态网络中的社团发现方法很难直接推广到有向/加权/动态网络（这里的“/”既可以表示“和”,也可以表示“或”,即网络可以有这三种属性中的全部或部分）中,现有的成功推广方式大部分只考虑了这三种属性中的一种,极少数方法同时考虑了两种,而现实网络常常是三种属性兼备的;（2）网络的动态变化会导致不同时间步的社团发现结果之间的继承性问题,而研究社团随时间演化的趋势就不可避免地需要比较不同时间步的社团发现结果。本文以前面的1DA方法为基础,经过一些简单而直观的修改后,提出了适用于有向/加权/动态网络的社团发现方法:首先,将1DA算法中的随机初始化步骤,替换为对前一个时间步的社团发现结果直接继承,从而获得节点的新的初始化位置;其次,将方向和权重考虑进“吸引力”的计算中。1DAdwd方法在两个现实网络（世界贸易网和“911”事件路透社恐怖新闻网）中进行了测试,并与前面提到的三种常用的社团发现方法进行了对比。结果表明,1DAdwd方法可以很好地解决不同时间步的结果之间的继承问题,能够有效地发现社团并追踪社团的动态演化趋势。测试结果表明,本文提出的一维“吸引力”社团发现方法在朋友网、贸易网、动物网、电力网等各种现实网络中都有很好的表现,显示出很好的实用性和适用性。另外,该方法简单直观,因而也易于扩展。例如,只要将适用于无向无权静态网络的1DA算法调整其中的两步,就成功地应用到了有向/加权/动态网络中,表现出了很好的扩展潜力。未来还可以向二模网络以及包含重叠社团、重边、自环等结构的网络进行扩展。综上所述,本文提出的一维“吸引力”方法为社团发现问题提供了简单实用的解决方案。