随着互联网技术的突飞猛进,自然界中的复杂系统可以抽象为复杂网络。如何准确有效地发现复杂网络中的重叠社区,快速实现功能划分,是当今世界复杂网络领域的问题。现阶段复杂网络分为无属性复杂网络和属性复杂网络。无属性复杂网络重叠社区发现算法大都基于结构划分,然而这些算法的准确率及稳定性有待提高。部分属性复杂网络重叠社区发现算法忽略属性信息,具有较大的信息损失。部分算法虽然充分利用了结构、属性信息,但是具有较大的时间与空间开销。针对上述局限,本文研究基于深度游走和图神经网络的重叠社区发现算法。首先,为解决无属性复杂网络重叠社区发现算法具有的稳定性较差及准确率较低的问题,提出基于深度游走的重叠社区发现算法。该算法利用深度游走模型对复杂网络的节点进行训练,得到反映节点空间位置的低维向量,结合向量点积得到网络权重矩阵;通过具有偏好选择策略的标签传播算法,在保留节点自身标签的基础上结合偏好选择概率最大的邻居节点标签更新自身标签;达到迭代终止条件时,将标签一致的节点划分到同一社区,得到稳定的重叠社区。其次,对属性复杂网络重叠社区发现算法的信息损失较大,时间复杂度与空间复杂度较高问题进行了探讨,本文提出基于图神经网络的属性复杂网络重叠社区发现算法。该算法通过构建具有自适应注意力机制的图神经网络模型,将复杂网络的结构与属性信息融合在一起,按照注意力权重聚合邻居节点信息,得到节点-社区隶属强度矩阵;通过泊松-伯努利模型的最小化负对数似然函数训练图神经网络模型的参数;达到迭代终止条件时,模型参数与节点-社区隶属强度矩阵达到最优,对最优矩阵进行映射,得到稳定的重叠社区。最后,将所提出的两种算法分别应用在真实数据集和合成数据集上,与对比算法结合评价指标分析,验证所提算法的有效性。