在信息时代中,网络是对数据进行表示和分析的常用结构,例如论文引用网络、微博用户网络、生物网络。在网络中用节点表示实体,用边表示实体之间的关系。经过多年的研究,学者们发现大部分网络都具有社区结构,即网络可以被划分为数量不等、大小不一的节点的集合。在同一个社区中的节点关系比较密切,属性比较相似;在不同社区间的节点关系比较稀疏,属性差异较大。随着数据的复杂度增加,网络也日渐复杂,特别地,网络中的节点可能具有多个身份,属于多个社区,这被称为重叠社区网络。随着机器学习的发展,神经网络也被应用于网络,诞生了一个新的方向——图神经网络。图神经网络的一个重要应用就是社区检测。但是将图神经网络应用于非重叠社区网络社区检测和重叠社区网络社区检测仍面临着不少的问题。为了将图神经网络更好地应用于非重叠社区网络社区检测和重叠社区网络社区检测,得到较好的社区划分结果,本文通过完成以下研究内容,设计与实现了针对以上两种网络的图神经网络社区检测算法。(1)提出注意力机制和子图策略结合的图神经网络算法用于非重叠社区网络社区检测。首先,本文利用注意力机制解决了图神经网络特征传播工程中将节点所有邻居都平等看待而产生的噪音的问题。然后针对图神经网络,特别是加入注意力机制的图神经网络运算效率较低的缺陷,引入子图策略,在基本不影响社区划分准确度的情况下,大幅度降低算法的运行时间。最后将注意力机制与子图策略相结合,实现非重叠社区网络社区检测算法。(2)提出基于Ego分割的图神经网络算法用于重叠社区网络社区检测。借助Ego分割的思想,用一个或多个节点副本代替原节点,分离节点的各个身份,将重叠社区网络转化为非重叠社区网络,有效地将复杂的问题简单化。然后利用无监督学习图神经网络算法生成非重叠社区网络的节点嵌入。最后根据节点之间的映射进行特征融合以及对节点进行多标签分类,得到最终的重叠社区划分。(3)分别在现实世界网络中对两个算法的性能进行评估。与性能良好的多种社区检测算法进行系统对比,以验证本文提出的两个算法在各自的社区检测问题上的社区划分准确性与算法高效性。现实世界网络的实验结果表明,本文设计与实现的注意力机制和子图策略结合的图神经网络算法在非重叠社区网络社区检测问题上取得了优异的结果,同时在算法运行效率上有较大的提高。本文设计与实现的基于Ego分割的图神经网络算法在重叠社区网络社区检测问题上对比其他算法同样取得了优异的结果。