随着互联网的迅猛发展,各种网络应用平台逐步渗入到人们的学习和生活中。符号网络作为复杂网络系统的一个分支,其生成的数据规模越来越大,如何快速而有效地从中挖掘出有价值的信息变得尤为重要。社区发现是复杂网络领域研究的基础,个性化推荐、特征用户分析等研究及应用都依赖于社区发现。符号网络局部社区发现亟待解决的问题是如何提高社区识别的精度以及社区发现算法的稳定性,本文在分析了局部社区发现研究现状基础上,根据存在的问题进行如下研究:首先,针对分两阶段处理算法中因为部分负边信息被忽略导致的社区识别精度不高的问题,引入节点贡献度和干扰度的概念,结合节点链接符号和链接密度,综合考虑节点在参与社区形成时在社区中的参与程度,调整节点的访问顺序,提出了基于两阶段融合的社区发现算法TFA。其次,针对算法因随机选取初始节点而引起算法稳定性不高的问题,结合节点及其邻居的属性信息和符号网络结构平衡理论,利用节点影响力和集聚系数,提出了新的初始节点选取策略;在此基础上,引入节点相似性思想,综合考虑符号网络中节点之间的作用关系,提出了基于节点相似性的算法NSA。最后,通过对比实验对TFA算法进行了验证,实验测试说明该算法在社区识别精度和运行时间上都表现出很好的性能,尤其是处理规模较大的网络时优势更为明显。本文还通过实验证明了NSA算法的准确性。