近年来,随着信息时代的发展,越来越多的学者将社团检测应用到社交网络分析、网络可视化、社交关系的推荐系统等具体问题中。社团是由节点和节点之间的连边所构成的聚簇结构。社团结构能够帮助我们更好地检测到网络中内部隐含的信息。面对着爆炸式的数据,如何充分地利用和挖掘这些隐含的数据信息是当前学者们所关注的问题。博弈论是研究游戏玩家之间策略相互作用的理论。它可以用来解释社团在复杂网络中的形成过程。近年来,不少的学者将社团检测和博弈论相结合,将网络社团结构的检测过程建模成社团形成博弈的过程并取得了不错的效果,从而证明了博弈论用于社团检测算法的合理性和有效性。目前大部分社团检测算法往往从网络的拓扑结构出发,而不去考虑节点本身所具备的属性特征。针对这种带属性信息的网络结构,纯拓扑结构的算法无法直接应用。如何有效地融合网络拓扑信息和节点属性信息是解决此类网络进行社团检测的关键。本文对现有的社团检测算法和基于博弈论的社团检测算法进行了分析,提出了基于非合作博弈的社团生成模型,并在模型的基础上将节点属性考虑到社团检测算法中。主要完成了以下内容:(1)现有的避免分辨率极限问题大多数利用网络的局部和全局的结构信息提出加权机制或者是基于拉普拉斯矩阵的特征向量来对网络进行重连,但是这些方法对初始网络的选择并不敏感,通用性不高。本文为了增强目标网络的社团结构使用了一种有效的加权和重连机制,它可以用来缓解传统社团检测领域中存在的“分辨率极限”的问题。(2)目前大多数社团检测算法是基于优化一个事先定义好的目标函数来进行社团检测。本文从博弈论的角度来模拟节点之间的交互,提出基于节点拓扑相似性的收益函数,考虑节点的拓扑相似性会影响节点策略选择的问题,并将加权和重连的网络分成三个部分,严格证明该非合作博弈满足势博弈条件,即存在纳什均衡点。(3)在提出的非合作博弈社团生成模型基础上,利用节点的属性特征构建似然函数,根据节点对的权值邻接矩阵和属性信息最大化似然函数,最终得到节点的社团隶属度向量,从而确定节点所属的社团。