复杂网络的关键节点识别研究一直是网络科学研究的焦点问题,它对于理解节点的功能和网络的性质具有重要意义。注意力流网络作为一种新兴的复杂网络,识别网络中的关键节点能帮助了解它的网络社区结构特征,提高网络的安全性。由于注意力流网络结构复杂,如何加深对网络结构的认识,哪些节点能更大程度上影响网络结构。本文针对这一问题,首先对注意力流网络中社区结构进行了探索,然后根据注意力流网络的社区结构进行网络关键节点识别研究,最后将基于社区结构的关键节点识别模型做实例应用,结合实际应用,验证模型的有效性。主要研究内容为以下三个方面:（1）提出了基于SAE-NMF模型的注意力流网络社区检测方法。首先,选取在线用户行为日志为数据来源,以用户点击站点作为节点集,各站点间的跳转作为边集,构建注意力流网络。其次,基于堆叠自动编码器和非负矩阵分解算法构造注意力流网络的社区检测模型SAE-NMF模型。该模型包含编码器和解码器,编码器可以逐层提取数据特征,解码器可以完成社区划分。实验表明,该模型能够学习到注意力流网络的低维隐藏信息特征,完成注意力流网络的社区检测任务。（2）提出基于GAT-DRL模型的注意力流网络关键节点识别方法。基于注意力流网络的社区检测结果,构建社区结构类注意力流网络。通过引入GAT算法对社区结构类注意力流网络中各个节点的邻居特征进行聚合,得到每个节点的特征向量表示。基于深度强化学习中Q-learning算法和DQN算法思想,将每个节点的向量表示映射为对应质量得分,根据得分采取节点移除策略,得到关键节点排序。最后,用网络的鲁棒性对模型进行检验,实验表明,与其它传统方法在移除相同比例节点的情况下,该模型的表现状况更加理想。（3）构建基于社区结构的网络关键节点识别模型,将模型进行实例应用。先爬取与注意力流网络具有相似性的地铁交通路线数据集,基于此数据集构建地铁交通图网络。然后采用基于社区结构的关键节点识别模型对目标网络中的社区结构和关键节点进行探索与识别。最终,对模型的实验结果与现实信息进行拟合对比分析,验证了该模型的有效性,表征其应用价值。