随着社区发现算法研究的不断深入,社区发现算法已经成为立足于交叉学科的研究热点。社区发现算法对网络进行正确的划分,有助于了解网络的结构,从而为复杂网络的进一步研究提供指导。从社区发现算法被提出到目前为止,众多学者在各个领域取得众多成果,然而已有算法仍有一些问题存在,比如标签传播算法鲁棒性差、初始化时浪费资源,LFM算法存在种子节点随机选取、计算量大等问题。考虑到已有算法的不足,本文主要围绕复杂网络中节点的重要性进行研究,主要成果如下:(1)针对标签传播算法鲁棒性差和标签初始化时浪费资源的问题,本文提出一种基于节点重要性的标签传播算法。利用节点的相似度初始化节点标签,提出若节点的邻居节点只与该节点相连,那么为该邻居节点分配与该节点相同的标签。然后计算节点影响值作为标签更新中节点选择的依据,若返回多个相同的标签时,计算标签的影响强度,使得每次更新都能得到一个确定的标签。实验结果证明,该算法不仅能得到稳定的划分结果,并且性能优于其他几种代表性的非重叠社区发现算法。(2)针对重叠社区发现算法LFM算法中存在种子节点随机选择、计算量大等问题,本文提出一种基于节点重要性的LFM算法。该算法分为四个步骤:种子节点选取、局部社区扩展、社区合并和孤立节点调整。首先,计算节点的影响值作为种子节点的选择顺序。然后,对节点加一个标记位,防止算法在局部扩展时出现死循环现象,提出若局部社区邻居节点的所有连边都在该局部社区内,将该邻居节点直接加入局部社区内。接着,根据社区重叠度对两个社区进行合并。最后,根据节点相似度将孤立节点进行社区划分。实验结果证明,该算法相对于几种常见的重叠社区发现算法能取得较好的社区划分结果。(3)社区发现算法应用到打击“羊毛党”案例中,实验结果证明本文改进的算法——基于节点重要性的LFM算法可以有效将数据集中的“羊毛党”用户划分到“羊毛党社区”中。