语义网的概念诞生于1998年,由Tim-Berners提出,相比于传统网络,语义网提高了网络的智能程度,弥补了网络功能单调等方面的不足,因此被广泛应用于智能信息检索、分布式计算以及大型知识系统等方面。然而随着互联网的飞速发展,需要处理的数据量和数据的规模呈现出几何增长,数据的复杂程度也日益上升,这些都使得语义网的发展面临着新的挑战。针对上述挑战,对语义网的社区发现和社区划分逐渐受到了人们的关注。目前已有的社区划分算法,往往是基于对目标网络中的拓扑关系的分析,通过网络中节点与边的关系进行社区探测。这类算法对社会网络的研究只停留在节点和边的连接关系层面,无法对节点所包含的语义信息进行更深层次的挖掘。因此,传统社区划分算法在面对语义社会网络研究时有着很大的局限性。本文采用社区中心相似性度量的社区发现方法,首先基于统计学中的主成分估计法,利用语义社会网络中节点的语义话题因子对该节点的话题信息权重进行评估,根据节点权重排序,结合网络拓扑结构直接找出目标网络中最有影响力的若干个节点作为社区划分的初始社区中心节点,然后利用节点相似性度量算法分别计算网络中剩余节点与各个社区中心节点之间的相似性,最后依据相似性计算结果将网络中剩余节点划分到不同社区中,达到社区划分的目的。本算法在传统社区划分算法的基础上,充分利用网络中节点所包含的语义信息作为划分依据,使得划分结果更加贴合语义社会网络特点。在实验阶段,本文选取道佛峡湾海豚网(Network of Bottlenose Dolphins)作为实验网络用例,测试了算法在不同初始参数条件下对目标网络的划分结果,并依据语义社会网络社区划分性能函数对划分结果进行评估。实验证明,相比于传统社区划分算法,本文提出的算法能够有效利用语义社会网络中节点的语义信息,获得合理有效的划分结果,验证了本算法对语义社会网络社区划分的可行性。