随着信息技术的飞速发展,社会学、物理学、经济学、生物学、计算机科学等领域的复杂网络呈现出更为多样和复杂的结构特点。社区是复杂网络的一个重要特征,现如今,社区发现和社区搜索是针对复杂网络上的社区进行分析和挖掘的两种主要的技术手段。社区发现致力于查找复杂网络中全部的社区,社区搜索旨在查找复杂网络中给定节点所在的局部社区。两者的主要区别在于社区发现针对整个复杂网络,使用全局性的标准,全面地检索和分析所有的社区;而社区搜索从一个或几个特定的节点出发,使用个性化的评判方法,搜索并分析这些节点所在的局部社区的特性。随着深度学习与大数据等领域的发展,复杂网络上的社区发现和社区搜索对研究网络结构有重要的应用价值,也越来越受到学术界和工业界的高度重视。1.本文提出一种基于深度稀疏自动编码器的社区发现方法。复杂网络的高维邻接矩阵不能全面地反映每个节点的局部信息,也不能有效地表示网络拓扑结构的主要特征,对网络中的社区结构没有很好的表达能力,影响社区发现的准确性。本文尝试使用一种深度学习方法解决社区发现问题。首先,使用基于跳数的矩阵处理方法,对节点之间的相似度关系进行优化处理,得到相似度矩阵。进而,构建深度稀疏自动编码器,对相似度矩阵进行特征提取,得到低维矩阵。最后,使用k-means算法计算得到社区。实验结果显示,与现有的典型社区发现算法相比,该算法能够发现更准确的社区结构。2.本文提出一种基于属性的社区搜索方法。现有的主要社区搜索方法仅考虑网络的拓扑结构,忽略了节点属性对社区划分的影响,但节点属性往往蕴含着丰富的信息,忽略这些可能会导致预测的社区不准确。本文尝试综合利用网络拓扑结构和节点属性信息解决社区搜索问题。首先,给出拓扑相似度和属性相似度的概念,来计算TA-graph结构。TA-graph可以同时反映网络中节点在拓扑结构和节点属性两个方面的相似关系。进而,基于TA-graph构建索引结构AttrTCP-Index。最后,通过查找AttrTCP-Index,为给定节点找到社区。在真实网络上的实验结果显示该算法是一个高效和准确的社区搜索方法。