随着科学和社会发展,社交网络在人们的生活中变得越来越普遍:规模越来越大、种类越来越多。现有的社区发现算法大多还都只针对经典的无向网络提出,且并未考虑到目前新出现的社交网络以及原有社交网络中的新特点。为此,本文分别结合了无向社交网络中节点的社区选择行为和有向社交网络中的节点关注行为提出了两种新的社区发现算法,以提高社区发现算法在不同社交网络中的适用性。本文首先介绍了社区发现领域相关的研究背景和意义,对目前现有的社区发现算法进行了讨论。随后基于无向社交网络中节点的社区选择行为提出了吸引力标签传播算法Attraction Label Propagation Algorithm(ALPA)。该算法在进行社区发现时考虑了节点在网络中的社区选择行为,通过保留并更新社区发现过程中网络中节点的社区归属情况,不断地为节点计算当前的吸引力,从而稳定标签传播行为。实验证明,吸引力标签传播算法拥有比RAK算法、LPAm等传统标签传播算法更好的结果质量和稳定性。本文还讨论了有向社交网络以及其相对无向社交网络独有的特点,包括连接性质的多样性、节点相似度的多样性以及社区结构的多样性。因为这样的多样性,简单地在有向社交网络中使用传统社区发现算法很可能导致社区内部节点的相似度和信息同步率较低。为了解决这一问题,本文根据有向社交网络中节点建立连接的目的以及相似度的特点提出了有向社交网络中的有向社区结构。有向社区结构中的节点彼此间可能不具有很强的节点相似度,但拥有很高的信息传播相似度。为了发现有向社交网络中的有向社区。本文提出了有向社区发现算法Directional Label Propagation Algorithm(DLPA),该算法同样采用标签传播机制,通过使用Directional Influence(DI)算法计算出的节点全局影响力和借由ALPA方法计算出的节点局部影响力对网络中的节点进行排序,并通过在标签传播的过程中限制标签传播的方向来达到发现有向社区的目的。实验证明,DLPA能够同时适用于有向社交网络和无向社交网络,其在无向社交网络中拥有和ALPA、Leung等算法相似的性能,并能有效解决ALPA等传统社区发现算法在有向社交网络中会产生大量无意义社区的问题。