大数据时代的到来导致了复杂的网络结构不断呈现,复杂网络是复杂系统的高度抽象,在研究网络的拓扑结构以及节点属性方面至关重要。复杂网络可以用节点和边构建的图模型表示,小世界性、无标度性和社区结构性是其最显著的特点,其中社区结构性表达的是网络中节点的聚合群体特性,该特性的挖掘即社区发现是通过节点与邻居节点间的紧密联系程度进行社区聚类,同一社区彼此紧密连接而不同社区节点联系相对较弱。社区发现对理解复杂网络系统的功能和组织至关重要。随着网络的日益复杂,重叠社区发现在现实中有着非常重要的意义。本文是以较经典的COPRA社区发现算法为基础进行优化和完善,充分考量节点个体属性及节点间的关联度量,基于此本文提出了一种综合节点影响力的NI-COPRA算法。首先,提出了使用En Renew算法度量节点重要性,其是以信息熵为基础,依据该重要性确定节点标签更新顺序;其次,设计了一种融合节点重要性和相似性的节点影响力度量方法,进一步确定社区从属系数并进行标签传播;最后,基于节点标签实现重叠社区发现。1、传统的重要性排序算法有的仅考虑了节点的度或者仅考虑一阶邻居,针对标签传播算法COPRA中选取初始节点随机性的问题,本文提出使用En Renew重要性排序算法作为节点重要性的衡量,通过该算法获取网络中的节点重要性排序,得到节点的传播路径,再通过SIR模型进行实验验证,可证实该重要性排序算法在网络传播方面具有一定优势。2、在COPRA算法中标签传递随机性问题的基础上,本文引入了节点影响力的概念,节点影响力的定义充分考量了节点的重要性,即节点的个体属性,同时也引入了节点间的关联性即节点的相似性,其中本文的节点相似性是由Node2vec模型产生的节点序列,然后利用Skip-gram模型对目标序列进行训练,从而获得向量的表示,再通过余弦相似度得到节点的相似性衡量。3、通过所提出的节点影响力定义,将节点影响力加入节点从属系数当中,通过从属系数进行标签的选择,获得最终的重叠社区。本文实验选用9个真实网络数据集和两组人工生成网络数据集,首先,在其中6个真实网络上将vote算法、k-shell算法以及degree算法作为对比实验来验证重要性排序算法的有效性,在6个数据集上均表现出较好的实验效果。其次,在9个真实网络和两组人工生成网络上将传统COPRA算法、LPANNI算法作为对比实验进行社区发现的验证,实验结果表明,算法在EQ与NMI两类指标上优于其它算法,提高了重叠社区发现准确性,从而进一步证明了本文提出算法NI-COPRA的优良性能。