关于网络数据的分析科学结合了图论、统计学、机器学习等各方面的知识,是数据挖掘等领域的重要研究方面。目前,学界对于各类复杂的社交网络模型都有了较为完善的研究,提出了许多科学有效的模型,譬如随机块模型（Stochastic Block Models,SBM）、度修正的随机块模型（Degree-Corrected Block Models,DCBM）。与此同时,众多学者基于某些网络结构的特点,提出了“社区”的概念。他们用“社区”来刻画网络中某些节点的集合。随后,学者们受到“社区”这一概念的启发,逐步推出了一些基于图分割、图聚类等方向的算法。通过以上算法,学者们可以解决许多社区发现问题。但是目前的大部分社区发现问题算法并没有兼顾到以下两个问题,或者仅仅只对其中某一方面进行了优化:1.随着社交网络数据的变化和发展,网络数据规模不断扩张。这影响到了网络结构的存储,算法的计算效率以及基于全局优化维度的求解难度。2.许多算法都只是关注社区内节点之间以及社区间节点之间的连接概率,而忽视了节点本身所带有的信息。在本研究中,本文选择了一种常见的基于统计推理的模型来刻画网络结构,即DCBM。DCBM由传统的随机块模型改进而来,引入额外的参数序列来区分社交网络中不同节点的社交能力,是一种基于生成图的随机模型。在DCBM的基础之上,本文重点研究带节点信息的局部社区发现算法,以及节点信息对于模型和算法的影响,同时尝试融合节点信息以及局部社区发现算法到DCBM模型当中。本文基于Gao（2016）的似然比检验思想,对其算法进行了改进。算法将节点信息的分布信息纳入到网络邻接矩阵的生成以及似然函数的构造之中。具体而言,算法实现分为两个阶段:第一阶段为初始化阶段,算法使用传统的DCBM模型,结合了网络中的节点信息,对每个节点进行社区标签判断的时候,通过对邻接矩阵进行谱分解以及对特定的特征向量矩阵进行聚类来实现初始社区标签的赋值。第二阶段为修正阶段,算法对于网络中的各个节点按照社区规模大小进行归一化处理,同时对各个参数进行估计。通过计算每个节点与其他节点的边连接分布,算法对每一个单独节点进行局部计算,并构造似然函数,根据不同情况下的似然函数大小来判别社区归属。由此,最终转化为一个假设检验问题。最后,为了验证改进算法的有效性,本文基于模拟生成的网络数据以及真实世界的网络数据两种数据源进行实验。通过与不带节点信息的算法以及其他局部社区发现算法的对比,本文得到带节点信息的局部社区发现算法对模型的社区发现效果有所提升的结论。其中,对比算法本文选择了Feng（2016）提出的NSBM算法。基于模拟分布数据的实验结果表明,尽管算法初始阶段可以得到较好的准确率结果,但是修正阶段准确率得到了进一步的提升。改进后的算法要比单独的局部社区发现算法确准确率算法要更优。同时,改进的算法综合表现综合来看优于对比算法的表现。另一方面,从真实数据集的实验结果发现,节点信息对于算法能带来较大的效果提升;本文设计的算法优于对比算法的表现;数据集的稀疏程度会影响算法修正阶段的效果提升表现。