社会网络是由个人或组织以及它们之间的联系所构成的集合,近几年随着互联网和社会网络网站的飞速发展,大规模的社会网络也逐渐成为研究的热点。社会网络一般都会呈现高度的社区性,这是社会网络与随机网络的最大不同。某些社会学方面的性质如小世界性等,在大规模社会网络中会表现的更加明显,本文将研究和利用这些社会学特性来发现大规模网络中的社区。基于社会网络中表现出来的中心性、小社区的稳定性、小世界性质等社会学特性,本文提出了一种大规模社会网络社区发现的解决方案。首先通过节点之间的双向关系发现规模较小的底层社区;然后将每个底层小社区合并为一个点,并重新构建网络,同时统计出新网络中边的权重,边的权重可以作为对象间的相似度;最后用基于局部模块度的聚类算法来发现社区。社区发现中如何评价和解释社区也是一个重要问题,本文在给出模块度、局部模块度等客观评价手段的同时,还提出用统计的方法来解释社区,并用统计词频的方法对KDD-Cup中的社区作出了解释,这种方法也可以推广到对更大规模虚拟网络中的社区进行解释。实验结果证明本文解决方案所发现的社区在规模上比较平均,其中大部分社区都比较小,但表现出来的社区性却较为明显。实际上规模较小的社区是稳定并且易于解释的,因此发现这些社区后的实际应用将更具理性和可靠性。