复杂网络是现实世界中网络的一种抽象,网络中的节点可以代表个体,而网络之间的节点形成的关系就构成了边。复杂网络通常会呈现出社区结构特性,如何在实际网络中高效地发现社区结构对现实生活具有非常重要的研究价值,是近年来复杂网络的研究热点之一。重叠社区发现是研究真实网络中的一个重要主题,有很多启发式的重叠社区发现算法被提出,取得了不错的效果。但是尽管启发式的方法能在实际中给出一些合理结果,他们缺乏严格的数学意义以及生成新网络的能力。近些年,一些基于统计推理的社区发现模型开始被提出,这些模型可以给出严格的数学定义和对重叠社区自然的概率解释,具有相当的优越性。但是目前的生成模型都是假设数据分布于欧式空间上,没有考虑到数据分布可能处于流形空间的情形。对于这个问题,我们提出了基于流形约束的重叠社区发现模型,利用流形的局部结构对联合对称链接模型进行改进,提高了社区发现的效果。我们假设社区概率分布位于一个子流形上,并采用了流形假设,认为在内蕴几何内相近的两个点会有相似的社区分布。我们使用最近邻图来对内蕴流形的结构建模,在标准的联合对称链接模型的最大似然求解中加入图拉普拉斯作为流形约束项。在人工数据和真实网络上的实验都表明基于流形约束的重叠社区发现模型的有效性。