重叠社区结构普遍存在于社交网络、信息网络、技术网络和生物网络中,并蕴涵着有意义的信息,随着社区网络结构的日益复杂,网络中潜在的价值越来越有意义,进而有更多的学者投入到重叠社区发现的研究中,促进了重叠社区发现算法和重叠社区的评估方法更快速的发展。基于中心节点选择的重叠社区发现算法(CNS)是一种传统的重叠社区发现算法,CNS算法主要的内容是中心节点选择过程和聚类过程,在中心节点选择过程中主要根据节点之间的关系来选择网络中存在的中心节点,即网络中的关键节点,在聚类过程中主要根据中心节点来划分网络中其他节点。但在CNS算法中没有考虑节点之间的影响对于社区网络划分的重要性,使CNS算法的准确性降低,并且CNS算法是基于节点的划分,很难得到较合适的重叠节点率。针对这2个问题,本文提出了一种基于中心边选择的重叠社区发现算法(CES),主要有3方面改进:在中心边选择过程中,CES算法引入社区磁力干涉(community magnetic interference,CMI)理论,在CMI中不仅考虑节点本身的信息,还考虑了节点与节点的相互影响,每个中心节点的选择都会影响其周围节点,根据一定规律可以对节点的权值进行合理的调整,使中心选择过程的结果更加准确,更加符合网络的真实分布;在社区划分过程中,本文充分利用了边之间的关系,得到边的划分结果,这样转化为节点的划分结果之后可以得到合适的重叠节点率,能更好的发现网络中的关键节点,更充分的了解网络中的潜在结构,挖掘更有意义的信息;在重叠节点剪枝过程中,本文对Wu,Z等人在2010年提出来的社区网络调整进行了优化,对剪枝的方向进行扩充,从多角度来进行重叠节点的剪枝,使最终的社区划分结果与实际网络更接近。实验结果表明CES算法在3种标准社区网络(Karate数据集、Dolphin数据集和Football数据集)和3种蛋白质交互网络(M.musculus网络、E.coli网络和Cerevisiae网络)中的划分结果在3种经典的重叠社区的评估指标(EQ、NMI和CR)下的表现都优于其它的3种重叠社区发现算法(CNS算法,派系过滤算法CPM和LC算法)。