复杂网络存在于现实生活的各个方面,并随着社会的进步在规模上不断增大。小到生物体内细胞间的相互作用,大到个人乃至国家之间的社会关系,都能以复杂网络的形式把个体和整体的关系表达出来,因此,复杂网络变得越来越重要。在复杂网络中,社区结构是一个非常重要的特性,可以帮助解决很多的实际问题。社区结构既能表达网络中节点行为的局部特征,也可以反映出节点之间的相互关系。研究者早在上世纪就开始了对复杂网络中社区结构的研究,涌现出了非常多的优秀成果。研究社区结构可以帮助我们理解复杂网络的结构和功能,并且对网络节点间相互作用的分析和预测起着至关重要的作用。近些年来,研究者从不同角度出发,提出了大量的社区发现算法,其中标签传播算法就是一类经典的算法。该方法思想简单、易于实现,并且具有复杂度低、执行效率高等优点,因此受到了广泛关注。但是,标签传播算法有一个明显的缺点,迭代中节点标签号的更新不稳定,导致社区划分结果差异较大。而在对复杂网络的研究中,网络表示学习是一种非常重要的技术,它通过分布式方法来描述网络,用向量的形式来表示网络中的每一个节点,这些向量之间的关系可以反映出节点之间的重要关系,得出这些相关向量的关键一环是游走策略。近年来关于游走策略的算法不断被提出,node2vec就是其中的一种,它的游走策略非常新颖,结合了宽度优先遍历以及深度优先遍历,充分探索网络的结构特性和节点的相互关系。本文将嵌入向量与标签传播算法相结合,通过node2vec算法训练得到的向量对网络中节点间的相似度进行计算,将此信息运用到标签更新规则上。此外,在node2vec方法中,通过对参数的控制,可以考虑到网络中节点之间的同质性和结构相似性,并在得到的向量中表达。本文提出的算法在几个公开标准数据集上进行实验,对比了已有的社区发现算法。实验结果表明,该算法具有较好的运行效率,对于社区的划分效果更佳。