随着科技的发展,人们意识到现实世界网络并不是规则网络,也不同于随机网络,而是具有小世界、无标度、自相似、自组织等特性的复杂网络。复杂网络中的一个共有属性是社区结构,即同一社区内部节点连接紧密而社区之间节点连接稀疏。社区发现有助于探测网络内部拓扑结构,发现网络社区结构及隐藏规律,这对进一步理解网络功能,预测网络行为具有重要的理论意义和现实价值。社区结构发现研究已广泛应用于个性化推荐、广告投放、信息检索等领域,是复杂网络领域研究者关注的热点之一。本文针对复杂网络中社区发现问题,主要从以下三个方面展开研究。(1)提出一种基于结构相似度的社区发现算法SSMCA。该算法借鉴结构相似度思想,用于解决现有的社区划分算法精确度不高的问题,将结构相似度作为边权值,对网络中的边按照权重升序排序,删除权值较低的边进而形成多个孤立的社区,随后按照社区间结构相似度及模块度差值合并主要社区,并提出一种社区结构质量评估方法作为算法的迭代条件,以获得高精度的社区结构。在人工基准网络及真实数据上与经典社区发现算法进行对比实验,结果表明,该算法在社区划分精度方面的性能优于其他经典算法。(2)提出一种面向主题的社区发现方法。通过该方法发现的社区不仅能反映出连接结构上的强弱关系,而且还能挖掘出社区内的共性主题。该方法首先提出一种高影响力用户评价算法HIUEA,用来发现网络中的高影响力用户,随后挖掘出与之相关的普通用户的行为内容并通过EWKM算法进行文本聚类,获取包含主题意义的社交对象聚类簇,然后针对不同的主题簇采用SSMCA算法进行拓扑结构分析,最终得到联系紧密且具有单一主题意义的社区结构,并在张杰粉丝网络及高校专利合作网络数据集上进行有效性测试,结果表明,本方法所发现的社区结构能有效地反映拓扑和语义信息,使社区结构更有意义。(3)以本文提出的面向主题的社区发现方法为基础,设计并实现了微博主题推荐系统。该系统将高影响力用户评价算法HIUEA、经典文本聚类算法EWKM及基于结构相似度的社区发现算法SSMCA进行有机融合,实现了高影响力用户的挖掘,并通过分析连接结构获取相关主题的粉丝数据。