自上世纪末以来,网络科学在众多领域得到了广泛关注和应用。复杂网络中广泛存在的基本结构之一就是社团,通常指网络中内部连接密切而与外部连接相对稀疏的节点组。社团结构反映了包括社交网络中频繁联系的用户圈子,脑网络中高度活跃的功能模块等具有重要意义的实际组织。因此,社团的检测和分析已成为网络分析中的基础内容,能够帮助我们理解现实中的复杂系统。在实际网络中,除了描述节点之间连接的图结构,还有节点本身所含有的属性信息,以及附属在连接上的对节点交互过程的描述信息。这些额外信息有力地补充了难以完整准确捕捉的关系信息,提高了社团发现技术的可用性。为了综合利用网络数据中的可用信息提高社团发现算法的准确性,理解不同类型数据对社团发现任务的影响,本文结合网络中的图结构和属性数据研究了社团发现问题,主要工作总结如下:1.基于网络动力学的社团发现。图结构能够直观地刻画事物之间的交互关系,因而能够作为网络动力学过程的载体。本文基于观点动力学中经典的De Groot一致性模型提出了新的层次和重叠社团发现算法。该算法根据动力学过程中的节点状态挖掘社团,而不依赖于经验的社团质量评价函数。本文从两方面验证了所提出的算法。首先,研究了算法的社团可检测性条件,从理论上保证了算法的有效性。其次,通过在人工网络和大规模现实网络上的比较实验验证了算法的先进性。所做的这部分工作深化了对社团结构和网络动力学之间交互关系的理解。2.基于概率生成模型的属性网络社团发现模型。融合属性和图结构进行社团发现的关键在于合理地平衡多种不同类型数据的作用。为此,作者建立了新的适用于节点属性网络社团的概率生成模型,并通过社团可检测性分析研究了模型的理论性质。与大多数已有工作不同,所提出的概率模型不对属性分布做任何先验假设,而是通过关于属性距离的节点知名度函数描述了属性对社团的影响。另外,基于节点知名度函数,本文还进一步探讨了融合网络中边的额外信息的通用概率模型及其在时间网络、多层网络上的变形,并给出了求解的算法框架。3.节点属性网络社团发现算法。将概率模型转化为实用算法的关键在于模型选择。本文在模型可检测性分析的基础上提出了新的模型选择策略,解决了无先验情况下的模型选择和参数估计问题,进而发展了实用的节点属性网络社团发现算法。在现实网络上的比较实验证明了所提出的算法的先进性。