随着网络通讯技术的不断发展,微信、微博、Facebook等社交网络已经成为人们日常生活中不可缺少的交流平台。在平台中,人们根据相似的兴趣、爱好或共同话题生成社区结构,满足社区内部链接较为紧密、社区之间的链接较为稀疏。准确的识别社交网络中内嵌的社区结构是一项复杂任务,一方面,从全局的角度求解节点间的拓扑关联性容易陷入局部最优解,另一方面则是节点本身可能拥有复杂的语义信息,如微博中的帖子、微信中的朋友圈等,这些语义信息给基于结构的社区识别任务带来了极大的挑战。本研究主要解决语义社区识别任务,具体来讲,要解决语义信息的量化问题,以及社区结构的重叠性问题就需要从拥有大量节点及复杂语义信息的社交网络中建立节点语义信息到语义空间的量化映射过程,并以语义相似性关系强度为参数,提出一种基于语义信息的粒子化策略;最后提出一种可度量语义社交网络社区的模块度模型。本文主要完成以下几方面内容:1.构造文本信息的概率分布对文本信息中的文档、主题和关键字运用LDA(LatentDirichlet Allocation)模型进行规划分析,抽取所需要的信息作为节点的语义信息模型。2.对LDA模型中的隐含参量进行求解相比于EM方法和期望推进方法,采用了Gibbs抽样方法进行不确定性的精确估计分析,从而完成了语义信息到语义空间的量化映射。3.构造粒子群策略及语义社区模块度度量函数将网络节点类比为粒子群算法中的基本粒子,节点与节点之间存在的连接概率类比为粒子游走时的速率,提出了具有语义关系的PSO(Particle Swarm Optimization)策略解决社区划分问题。根据节点在二维空间的投影夹角,构造了基于语义社区模块化度量函数(SimQ)评估社区质量。4.实验结果及分析通过实验,从语义社区话题数量、智能优化策略、语义模块度等指标验证PSO-LDA与各类社区识别算法在人工合成网络和真实网络上的性能差异。实验结果验证算法的有效性和可行性。