社区识别是社交网络分析领域的重要研究内容,近年来得到了各领域研究者的广泛关注。社区是网络中的密集群组,满足同一社区内部节点间的链接相对紧密,不同社区节点间的链接相对稀疏。由于社区结构的这一特性,社区识别被广泛应用于舆情分析、蠕虫控制、商品推荐等应用系统。微博是典型的社交网络,随着移动互联网的快速发展,微博已经融入到人们的日常工作和生活当中,成为舆情产生和传播的重要场所。和传统的社交网络社区识别不同,在微博中人们会针对不同的事件,以简短、便捷的方式发表自己的观点与见解,因此如果单纯的以网络的结构特征作为社区识别的优化目标,而忽略用户对特定主题的情感倾向性,会导致生成的社区结构稳定性较差,增加了社区碎片化的可能性。为了解决这一问题,提出一种基于事件检测的微博社交网络社区挖掘框架(Event-based Community Miner,ECM),认为理想的社区结构内部成员应当对特定的社会事件持有相近的情感倾向,具体研究内容包括:1.微博事件提取。本部分研究利用滑动窗口跟踪微博文本流入,用KMedoids算法将微博帖子聚类为事件集,根据事件集中帖子的转发数、评论数以及粉丝数计算出事件的影响力,提取出热点事件。2.情感倾向性分析。本部分研究构建微博的情感词词典、表情词典、否定词词典、程度副词词典,对词典中没有的元素进行扩充,制定句子级极性评价规则,计算用户评论的情感极性。3.情感社区识别。本部分研究以用户对热点事件的极性指标为用户的情感标签,利用用户之间的最大互信息系数,修改标签传播算法的标签传递、更新以及终止规则,识别情感社区。在仿真实验中,分别验证经典社区识别算法、语义社区识别算法以及ECM算法在社区个数、社区尺寸、拓展模块度以及语义模块度等指标上的结果差异。仿真结果表明,与传统的社区识别算法相比,ECM算法考虑了微博用户对社交事件的情感倾向,使得社区结构具有较高的内聚性。