随着大数据时代的到来和移动商务的普及,新浪微博的注册用户爆发式增长,构成了一张巨大而复杂的虚拟社交网络,用户可以在微博平台上分日常生活和浏览热点新闻。在对这张网进行深入研究时,存在这样的现象:整个网络可以被划分成一个个小的社区,这些社区内部的成员相似度较高,但是社区之间却存在巨大差异。因此,学者们希望研发出某种算法可以高效地检测出这些隐藏在复杂社交网络下的子社区,以便可以深入地研究网络的内部结构。随着研究的不断深入,上述想法演变成了一个热门研究问题——复杂网络中的社区检测问题。本文结合微博平台的实际情况和常规LPA标签传播算法,提出了一种基于LPA的改进算法。常规LPA算法存在以下两个明显的缺陷:第一,常规LPA算法给每个网络节点随机分配唯一的初始标签,导致整个网络标签的稳定性差,不易收敛。第二,常规LPA算法只能处理无权网络,网络中的节点和边没有任何区别,在迭代更新的过程中容易造成标签“震荡”现象。针对上述两个缺陷,本次实验中的算法做出以下改进:将文本分析技术引入网络分析领域,具体运用了 LDA主题模型和K-means聚类算法,将文档聚类结果赋值给节点的初始化标签;改进了网络标签的传播方式,将一阶节点的影响力扩大到二阶节点的影响力,并乘以相应的衰减因子0.5;同时根据节点的粉丝户数量和两个节点之间的文本余弦相似度赋权重给无权网络,将其改进为加权网络。本次实验流程大致分为三部分,首先使用Python爬虫程序和八爪鱼软件相结合的方式抓取微博平台不同主题社区下的粉丝列表和文本动态,然后利用网络分析领域中常用的R语言中igraph函数包对微博社交网络进行分析处理,最后通过构造模块度指标检验算法的改进效果和算法稳定性。本次实验结果从三方面展示了算法的改进成果:最重要的改进是模块度指标提升1 0%左右,说明改进后的算法在社区检测方面有了明显进步;另一方面,改进后的算法模块度指标不会随着网络环境的变化而发生明显波动,说明了改进后算法的稳定性;最后,相比常规LPA算法,改进后的算法所消耗的时间并没有明显增加,说明了改进后的算法依然保持着线性时间复杂度。