现实世界中的许多系统都可以表示成复杂网络,可以将现实世界中的存在的各个实体映射为复杂网络中的节点,将实体计实体之间的联系映射为复杂网络中的边。复杂网络是一门涉及社会学,计计计计学、生命学计、等多领域交叉课题,在网络时代的计学研究中及其重要。天量研究表明,复杂网络具有结构化的特点,表现为同一社区内部节点之间连接紧密,不同社区之间的节点连接相对稀疏。研究复杂网络的社区结构特性有助于理解网络的拓扑结构和功能结构,是复杂网络分析的基础和关键,挖掘出复杂网络中蕴含的有价值规律,具有极为重要的实际意义。社区结构在现实世界中往往是“重叠”的,即不同的社区之间存在交叉,网络中的部分节点可能会不仅仅只属于一个社区。复杂网络重叠社区结构更符合现实世界中实体关系的真实描述。例如,人作为现实世界中的一个实体,在社交网络属于多个社会团体,比如家族团体、同学团体,同事团体,朋友团体等。研究复杂网络重叠社区结构具有重要的理论意义和实际意义。本文的研究内容围绕重叠社区发现展开,主要包括以下两个方面:1.提出一种基于最天生成树的重叠社区发现计法,该计法在LFM计法基础上,提出一种边权重模型,该模型考虑了现实复杂网络中的边可能带有连接紧密程度或者可信度的权重;结合最天生成树计法对网络中节点进行影响力排序,得到候选种子集。并对初始的社区划分结果进行优化。该计法避免面了LFM计法随计选择种子节点,不仅能得到稳定社区发现结果,且计法性能优于其他具有代表性的重叠社区发现计法。2.提出一种基于对抗生成网络的重叠社区发现计法,它能够在在图表示学习的同时,完成重叠社区发现。我们针对边计社区关系,设计生成对抗网络模型,通过边生成器和边判别器的最小最天的竞争,二者交替迭代的训练提高各自的能力,最终生成器输出整个网络的节点向量表示,且节点向量值代表了节点属于社区的强度,得到整个网络的社区划分结果。同时,计CPM,AGM计法相比,具有很高的表现力。