随着Internet的快速发展,Web资源飞速增长,并朝着多元化、复杂化的方向发展。如何从中提取出潜在的、有价值的信息,进而充分、有效地利用Web信息资源,是当今信息领域重要又极具挑战性的研究课题。Web社区是Web中非常重要的信息,它可以对互联网进行各种意义上的划分。因此,通过合理的策略快速发现海量Web页面中的Web社区,对信息检索及搜索引擎都具有非常重要的意义。Web页面之间的链接关系为Web社区发现提供了极其丰富的信息线索,可以从链接结构中获得Web拓扑结构模型。本文研究了Web社区发现的三种典型算法,并对这三种算法进行了具体的比较和分析,指出了算法中存在的缺陷和改进的方向。本文对传统的基于流量的社区发现算法中边容量与社区规模之间的关系进行了深入的研究,传统算法给每条边的边容量分配一个常量值,把每条边看作同等重要,而实际上每条边所包含的信息价值并不相同,因此常常把包含噪音页面的图结构提取出来,并且在某些情况下不能提取出大小合适的社区。针对这一问题,本文提出了一种改进的Web社区挖掘算法,改进算法考虑不同边的重要性差异,将加权PageRank算法中页面的重要度转化为衡量页面之间边重要性的传递概率值,并使用该值对边容量进行赋值,解决了传统算法中存在的问题。实验结果对比和分析表明,与原始算法相比,改进的算法所获得的社区中与主题相关的平均页面数目有明显提高,并降低了提取出噪音页面的可能性,有效的提高了Web社区的质量。