社交网络是计算机学科的一个重要研究方向,近年来学术界对其研究较多。现实生活中有各式各样的社交网络,如基于地理位置的社交网络、社会人群中的人际关系网络、著作合作网络等。随着科学技术的进步,社交网络的种类与规模都呈爆炸性增长,对社交网络进行研究有重要的社会价值。从社交网络中衍生出如社区检测、用户参与度等许多有价值的问题。社区检测从一个大的社交网络中发掘有价值的社区结构,用户参与度可以反映出社区的紧密程度。本文在有符号网络中对社区检测、用户参与度等相关问题进行研究。首先,在有符号社交网络中,关键用户的离开会导致大量其他用户的离开。本文在经典社区结构k-core的基础上提出了一种新的社区结构(α,k)-NP-core,该社区结构与有符号网络中的符号息息相关,即负(Negative)与正(Positive),因此我们称之为(α,k)-NP-core社区。本文使用(α,k)-NP-core衡量社交网络用户参与度。为了识别出(α,k)-NP-core中的关键用户,本文在有符号网络中提出了瓦解(α,k)-NP-core问题。给定一个社交网络,我们在此社交网络中构建新型社区结构(α,k)-NP-core,得到(α,k)-NP-core后,本文研究的问题是找到该社区结构中最重要的b个节点,即删去b个节点会得到最小的(α,k)-NP-core。因此,瓦解(α,k)-NP-core问题的目的是找到(α,k)-NP-core中的b个重要节点。本文证明了(α,k)-NP-core问题是NP-难的。本文提出了αk CA算法来解决瓦解(α,k)-NP-core问题,该算法有效地减少了候选瓦解点的数量,并加快了算法的运行速度。其次,为了提高用户参与度,使更多的用户参与到社区中来,本文提出了锚定(α,k)-NP-core问题。给定有符号网络G,参数α,k,b,锚定(α,k)-NP-core问题的目标是识别出图G中的b个节点,除了这b个节点,其他节点全部满足(α,k)-NP-core的条件。我们找到的b个节点可能并不满足(α,k)-NP-core的条件,但是只要将这b个节点以一种激励条款将其保留下来,即锚定点,使更多的用户留在社区中,那么就达到了扩大(α,k)-NP-core的目的。针对(α,k)-NP-core问题,本文引入了新的结构L,并且提出了SLACG算法,高效的解决了锚定(α,k)-NP-core问题。