社区发现是目前复杂网络研究的热点问题,在商业、社会学、生命科学等多个领域有重要的应用。研究中提出了许多有效的社区发现算法,其中标签传播算法以其近线性的运行时间和易于实现等优点,成为社区发现中的重要算法,尤其对规模较大的社区发现非常有效。传统的社区发现算法主要针对一个独立网络进行社区发现。但现实当中,因不同的属性或行为等因素,同样的成员可能属于多个独立的社会网络,例如,学校中的学生是固定的一群人,这些学生因属于不同的班级而形成一张网络,因参加社团的情况不同形成另一张网络,因朋友交往又形成一张网络。我们把这些成员不变,因成员之间不同关系所构成的多张独立的社会网络称之为多维社会网。基于多维社会网的社区发现(简称多维度社区发现)试图寻找强关系社区,即强关系社区中的成员在多个独立网络中都属于同一社区,强关系社区成员之间有高度的同质性,在广告投放和新闻推荐等应用中,可以使网络推送服务变得更加精准有效。本文在两个方面开展了工作:(1)对已有的社区发现算法——标签传播算法LPA(Label Propagation Algorithm)进行了改进,形成了一种新的结点影响力标签传播算法NFLPA(Node Influence Label Propagation Algorithm)。通过实验对比,NFLPA在社区发现结果的稳定性和精确性上有一定的提高,为进一步研究多维度社区发现算法打下良好的基础。(2)针对不同的网络拓扑结构和网络性质,设计不同的多维度社区发现算法。针对网络数量少、网络内边数量多的情况,设计了严格条件多维度社区发现算法;针对网络数量多、网络内边数量少的情况,设计了宽松条件多维度社区发现算法;针对各维度网络重要性未知的情况,设计了带权边宽松条件多维度社区发现算法;针对各维度网络重要性不同,设计了存在维度差异的带权边宽松条件多维度社区发现算法,通过实验证明了这四种多维度社区发现算法都能够得到有效的社区发现结果。