社区挖掘作为数据挖掘研究领域的一个热点,多年来研究内容主要基于同质网络进行分析。随着网络地不断发展,数据量不断增多,单一类型的对象已经不足以应对解决现实中的问题。为了能在纷杂的网络中获取有用的信息,异质网络(多类型网络)的社区挖掘成为研究的一个重要趋势。但由于异质网络的复杂性和多样性,其理论知识和算法研究并没有完全成熟,所以融入新颖的思想提高算法效率是一个具有挑战性的课题,这也是本文的主要工作。通过研究排名和聚类这两种重要的网络分析技术,本文提出了融合排名和聚类的异质网络社区挖掘算法框架。在异质网络中,该框架实现了目标类型对象的聚类和基于这些聚类的所有类型对象的排名信息。该框架基于初始的K簇,计算对象的相对排名；把属性对象的排名分布作为簇的特征,建立目标对象的混合模型,使每个目标对象用K维向量表示;接着在这个新的特征空间中,利用类中心向量法调整聚类,使聚类质量得到有效地提高。此过程不断迭代,迭代过程中的聚类和排名效果相互加强,直到聚类结果变化不大或者达到预定的迭代次数。最终,聚类结果更准确,并且排名结果更有意义。为了更好地理解算法的思想,本文提出基于2-类型的异质网络算法CluBRank (Cluster Based on Rank)进行解释验证。CluBRank重点引入两种排名函数,简单排名和权威排名。本文通过在真实数据集和模拟数据集上进行实验,将CluBRank与基于链接的传统算法进行比较,证明CluBRank聚类结果更准确。CluBRank有效地避免了传统算法中计算对象之间的相似度,验证框架是一种更有效率的解决异质网络社区挖掘的方法。而且,含有排名的聚类结果提供了更多的信息。