在万物互联的信息时代,每天都会产生大量的数据,并且数据之间存在着复杂的联系。这些数据中大多数都是以网络形式存储,充分保留了数据实体之间的关系。此外,一些复杂系统中的实体往往具有属性信息,这些信息可以为实体表明其特征或者构建语义上的关联。而研究网络实体之间的结构信息以及将结构与属性信息结合进行社区划分是发现网络中隐藏特征的关键所在,因此研究更合理的社区发现方法显得尤为重要。然而,现实网络中的稀疏连接和节点的异质性等情况给重叠社区检测带来了诸多挑战。如何将节点的特征和节点之间的亲密关系结合起来以发现社区,仍然是一个值得学者们探讨的问题。因此为了挖掘更合理的社区结构,通过对复杂网络进行深入分析,本文在重叠社区发现方法上进行了创新,主要内容概括如下:1.针对节点拓扑差异的度量问题,提出一种基于节点局部拓扑信息方法评估网络中节点的重要性。此外,本文扩展了计算节点之间相互影响的方法用于度量网络中节点之间的关系。其次本文提出了一种可挖掘重叠社区结构的标签传播算法CILPA,用于检测大型网络中的社区结构。最后在算法中加入了标签检查策略以降低节点间链路过于稀疏的影响。通过大量实验证明了算法能够高效及准确的发现复杂网络中的重叠节点和社区结构。2.针对属性网络上重叠社区划分结果不佳问题,本文提出了一种基于属性网络表示学习的重叠社区检测方法OCDARL。首先,根据网络拓扑信息和节点的属性矩阵作为嵌入算法的输入,将它们通过严格的参数训练得出最优的属性和结构的嵌入表示。然后改进上述的标签传播算法中的节点相似度计算方式,使得算法能够计算属性之间的相似度,同时能够检测到属性网络中的重叠社区。最后通过与真实算法和相似度计算方法比较,验证了OCDARL算法在属性网络上发现社区的可行性和有效性。3.本文根据以上所述的研究内容设计并研发了一个重叠社区发现综合应用系统,该系统的功能包括数据管理、数据可视化、社区发现、结果可视化分析等功能。