随着互联网的迅猛发展和大数据时代的到来,涌现出了大量由节点和边互相连接组成的复杂网络。社团是指网络中具有共同行为特性的节点聚集在一起形成的子网络,社团的拓扑结构随着时间发展而表现出来的动态变化称为社团演化。挖掘网络中隐含的社团结构并分析其演化规律逐渐成为研究的热点。目前基于动态网络的研究大多是从静态分析入手,没有考虑时间因素的影响。如何有效地提升演化跟踪的准确性具有重要的现实意义。本文针对目前对动态加权网络研究较少且没有考虑时间因素影响的问题,提出了基于张量模型分解的社团演化分析方法。首先对每个时间片上的网络快照构建带权邻接矩阵,联合各时间维度构建张量模型;通过核一致诊断算法确定社团结构的个数,然后引入ATLD算法对张量模型进行分解降维;接着提出参数α可调的α-AOC算法对节点归属于社团的概率矩阵进行社团划分,从而挖掘出准确度较高的社团结构;最后改进社团活跃度指标,从而分析社团结构的演化规律。为了验证算法的有效性,本文在SocioPatterns社交网络数据集和Enron邮件数据集上进行了评估实验。将α-AOC算法划分出的社团结果和其他几种主流社团发现算法进行对比,实验结果表明α-AOC算法具有更准确的社团划分结果,在此基础上通社团活跃度指标发现演化趋势与数据本身相符,验证了该算法的合理性。