随着在线社交网络的日趋复杂,网络节点逐渐成为负载多源信息的富节点,除了网络的拓扑结构信息,节点本身的其他信息也是重要的数据源,譬如,社交网络中用户的属性资料和生成文本。现有的社区发现算法多数是针对网络拓扑结构实现社区划分的,并没有充分利用用户特征,检测得到的社区结构不能准确反映社交网络的组织机理,对现实世界社区发现问题的研究提出不小的挑战。针对上述问题,本文从如何融合多源信息来准确刻画用户特征及如何基于用户的特征表示实现社区划分两个问题展开研究,主要的研究工作包括以下两个方面:第一,为了更准确地刻画复杂多源网络的用户特征,研究了一种基于网络表示学习的用户表示模型User2vec。首先,建立三个独立的特征表示向量。其中,从用户的属性信息提取特征并建立属性表示向量info2vec;从用户生成文本分离出多粒度的文本内容,采用TF-IDF、LDA、Doc2vec多种算法从不同文本内容提取特征并生成文本表示向量blog2vec;从用户的文本内容扩展稀疏的网络结构,并将网络表示学习技术应用到扩展网络结构中,建立增强网络表示向量graph2vec。然后,提出两种融合多源信息的用户表示模型User2vec-m1和User2vec-m2,从而生成用户表示向量user2vec。最后,针对性别推理和年龄推理两个评测任务,设计多组实验来验证独立表示向量与融合表示向量user2vec在特征表示能力上的性能差异,实验结果表明,模型user2vec在分类准确率上得到了显著的提高,进而证明融合多源信息的用户表示向量user2vec在用户特征刻画中的性能优势。第二,基于用户表示向量user2vec,设计了一种三段式的社区发现算法3SComs。首先,针对图聚类算法K-Means的初始化K值选择问题,将模块度指标作为优化目标,通过启发式K-Means算法,实现初步社区结构的检测。其次,采用随机欠采样构建每个社区标签的训练样本,并采用Adaboost分类器,建立多标签预测模型,从而生成每个用户对所有社区标签的隶属度矩阵,并根据给定的隶属度阈值提取所有用户的标签列表。然后,考虑不同权重边的传播能力不同,为加权无向网络制定多标签传播规则,通过一种基于多标签传播的重叠社区发现算法wMLPA实现复杂多源网络的社区划分。最后,从不同阶段的实验结果,验证各阶段算法的性能优势,并基于新浪微博数据生成社区划分结果,通过与真实群体特征的比较,进而证明算法3SComs的合理性。总之,本文结合网络表示学习技术给出复杂网络的用户特征表示,进而实现重叠社区的发现,为社交网络拓扑结构的研究提供新的思路。