真实世界的网络例如社交网络,存在重叠社区结构。社区结构将网络中的顶点划分为多个不同的组,一个组即是一个社区。当网络中一个顶点可以属于多个社区时,该社区结构即是重叠社区。通过挖掘复杂网络中的重叠社区,我们可以发现网络中隐藏而又有意义的属性和结构。不同的重叠社区发现算法挖掘到的社区结构自然不同,因此使用重叠社区质量指标来衡量相应算法的有效性是非常有必要的。随着大数据时代的到来和数据规模的快速增长,大规模网络中的重叠社区得到巨大的增长。然而,计算指标的高度复杂性对现有的串行算法提出了巨大的挑战,同时集群中节点之间的数据划分对并行分布式算法的性能有关键性的影响。现有的串行算法计算重叠社区指标的性能有待提高,因此本论文设计了一种用于重叠社区质量指标计算的负载均衡的并行分布式算法。本文首先分析了现有的计算两类重叠社区质量指标的算法,发现基于社区标签对计数算法具有更低的时间复杂度,但目前只有串行算法,因此提出了一种基于社区标签对计数并行分布式算法(简称P&D算法)。接着,通过分析指标计算特性发现,本文研究的两类指标均需要计算社区的交集大小,因此本文的P&D算法重复利用中间结果,同时计算出全部两类指标。然后,对现有的数据划分策略进行了分析归纳,并针对重叠社区质量指标计算提出了一种基于负载预估的贪心(Greedy-based)划分策略,以此来均衡每个节点间的负载。最后,本文利用五个真实大规模网络数据集进行了实验,对本文提出的P&D算法和数据划分策略进行验证。实验结果证明,相对于现有的Hash-based和Range-based的数据划分策略,本文提出的基于负载预估的贪心划分策略在内存、通信和CPU负载分布以及总体执行时间上均获得较优的表现。结果验证了本文提出的Greedy-based数据划分策略相比现有的策略,在并行分布式计算重叠社区质量指标上能更好地均衡节点间的负载。同时,P&D算法在执行时间、加速比和可扩展性上相比现有串行算法(包括Clubmark和Mutual3)的性能有更好的表现。结果表明,本文提出的P&D算法比串行算法在执行时间上获得了10.7%~89.4%的提升,并实现了1.12到9.43倍的加速。