随着社交媒体的飞速发展,社交网络成为人们进行信息交流的主要场所。社团结构作为社交网络的重要特性之一,研究社团结构有助于分析社团形成和网络内在特征,进而对社交网络进行控制与预测。本文研究了相互作用的双层社交网络的社团挖掘算法及其应用。结合传统社团挖掘算法,提出了两种社团挖掘算法并在某双层通信社交网络上成功应用。研究内容如下:1.基于节点相似性,提出了一种链路优化的PL（Priority Louvain）社团挖掘算法。首先将原始数据转化为相似度向量;其次建立网络分析模型,结合Louvain算法划分社团;最后在真实数据集中进行验证,与Louvain算法、GN算法和LPA算法在模块度Q函数值、NMI、ARI和社团划分数量等四个维度上进行对比,结果表明,PL算法划分效果更好。2.基于社交特性构建了一类融合社团结构的双层网络模型记为ECS（Embedded Community Structure）网络。层内节点关系融入了社团性质,即新加入网络的节点倾向于连接度值大的节点;层间节点关系随意交流。为了验证ECS双层网络模型的实用性,同时构建了基于无标度算法的双层网络。通过度分布、聚类系数和6)-核等拓扑指标在两种网络中进行了对比,结果表明,ECS网络更适合描述具有社团结构的网络。3.基于ECS网络结构特性,提出了一种多层次链路优化的MPL（Multilayer Priority Louvain）社团挖掘算法。首先将每层内的数据转化为相似度向量;其次建立网络分析模型,结合PL算法划分社团;最后使用模块度等四个评价指标进行验证,结果表明,MPL算法划分效果更好。4.基于真实社交网络数据构建了“用户-APP”双层网络模型,并利用MPL算法准确的划分出了使用不同APP的社团,研究结果对通信行业设计流量套餐等提供策略参考信息。5.设计了社团挖掘可视化系统,直观展现社团划分结果。