新世纪是复杂性和网络化的世纪,许多复杂性的社交问题都可以通过网络的形式来进行描述,因此,复杂社交网络分析已然成为相关学者们研究的重要课题。在复杂社交网络中,若将人抽象成节点,将人与人之间的各种关系抽象成边,就会形成以节点和边组成的错综复杂的网络图。学者们研究发现许多实际网络都具有相似的结构特征:即社区结构,社区结构表现出社区内部节点连接较为紧密而社区间连接较为稀疏的特点,社区发现是挖掘出网络社区结构的一种重要方法,发现社交网络中的社区结构对于网络划分、科学研究以及市场营销等领域都具有十分重要的意义。本文针对一些经典社区发现算法存在准确性和有效性较低的问题,提出了基于中心节点扩展的社区发现算法,算法在选取初始中心节点的方法上,考虑了节点度在网络中的重要性并将其进行归一化后作为节点的度权值,并且考虑了能够表现出社区结构特征的边聚集系数,将节点的度权值与边聚集系数之和进行相乘得到初始中心节点,并且根据局部适应度函数进行社区扩展,算法在Zachary和Dolphin公开社交网络数据集上进行了实验仿真,结果表明该算法具有较好的准确性和有效性,并且也能够发现重叠社区。基于中心节点扩展的社区发现算法很好的解决了结构性网络的社区发现问题,但其对于现阶段比较热点的社交网络并不完全适用,因为这些热点社交网络不单单是单一的结构性网络,他们还隐藏着成员用户之间的基础属性信息等,因此,在分析了现阶段热点社交网络中成员用户的基础属性信息特征后,提出了基于中心节点并行扩展的社区发现算法。算法首先提出了基于层次分析法(AHP)的静态影响力计算模型;引用了Page Rank算法思想并提出了成员动态影响力计算模型,然后提出了节点中心度的计算方法并根据节点中心度挖掘出网络中的中心节点,依此根据局部适应度函数进行并行社区扩展,最后使用爬取的微博数据进行实验,证明了该算法的可行性和准确性。