随着互联网和移动网络的迅猛发展,社交网络也发展的如火如荼。同时社交网络中社区结构的识别对于网络的功能演化、拓扑结构的认识都有重要的意义。现今,社区发现的许多研究成果已成功应用于推荐系统、个性化产品推广、蛋白质功能预测和舆情分析等领域。但是随着网络规模的不断扩大,传统的社区发现方法在处理大规模网络时存在一些缺陷,计算代价也很高。特别是当使用经典聚类算法来处理高维特征数据时,传统社区发现方法的结果通常不够准确。本文使用深度学习方法对社交网络进行社区发现,并对得到的社区结构进行节点影响力分析,找到社区内部的关键节点。本文所作的工作总结如下:(1)本文提出了动态的node2vec算法(D-node2vec)和融合模块度的图卷积网络。本文将节点本身的属性特征融入了node2vec的随机游走过程中,使得在随机游走过程中综合考虑网络结构和节点的属性两方面特征,更能适应社交网络的网络结构,生成的网络表示也更准确。在图卷积网络中,本文将模块度的概念融入了拉普拉斯矩阵,在网络表示过程中对网络的社区结构进行学习。因为Dnode2vec算法只考虑了节点的局部随机游走,因此得到的表示更关注节点的局部特征,而融合模块度的图卷积网络更关注节点的全局特征,本文对其进行融合,得到了新的网络表示方法,实验发现,融合的方法使得网络表示的效果更好。(2)本文提出了融合全局和局部结构特征的社区分类模型,改进了胶囊图神经网络,将本文提出的网络表示学习方法引入,提高了社区分类的准确率。然后,本文在融合全局和局部结构特征的社区分类模型的基础上,将D-node2vec的随机路径引入,改进胶囊之间的连接方式,增加了低层胶囊与高层胶囊之间的局部连接,提出了一种新的基于分类的半监督社区发现模型,该模型可以进行社区分类任务,也可以进行社区发现任务。实验表明,在社区分类任务上该模型的准确率略高于融合全局和局部结构特征的社区分类模型,在社区发现任务上,该模型与传统的以及基于深度学习的方法相比都取得了较好的效果。(3)在进行社区划分后,本文使用Page Rank算法结合社区结构在社区内进行节点重要性排序,考虑节点的文本属性在节点影响力分析中的重要性,限制了重叠节点的重要性,提出了基于社区结构的Page Rank(S-Page Rank)算法。基于社区结构的Page Rank算法的复杂度相对Page Rank会降低,避免了Page Rank的主题漂移现象,且考虑了网络中的异常节点,优化了节点的影响力排序。