数据作为信息的载体之一,在这个信息爆炸的时代,其重要性不言而喻。图结构数据作为复杂网络的一种描述方式,其研究价值在于复杂网络对这个世界的诸多现象的抽象性以及概括性。提升图结构数据的分析能力,能够更好探究复杂网络中的各类重要特性以及分析诸多现实世界中存在的复杂网络。社区结构是复杂网络的重要特性之一,也是现实世界中诸多复杂网络呈现的特性,其现实应用包括但不限于黑色产业检测、广告精准投放以及社交网络分析。在数据规模日益增大、数据复杂度日益增高的情况下,为了更有效的在复杂网络数据上执行社团发现任务,本文基于图嵌入中Deep Walk算法的两大模块RandomWalk以及SkipGram,针对不同的网络数据进行相应的研究与改进,从而提升Deep Walk算法所得到的节点向量表示在社团发现算法K-means中的效果,并且有效地避免维数灾难。本文主要研究内容及取得的主要成果如下:1.在只提供复杂网络数据的拓扑信息,如邻接矩阵或邻接表的情况下,结合PSO模型,基于Hyper Map算法所得到的节点双曲空间坐标,定义由双曲空间距离公式演化而来的节点间连边的权重计算公式,同时引入超参数提升算法的泛化能力,将RandomWalk改进为Weighted Walk,从而更有效地提取节点间的相似性以及节点的流行性等信息。研究表明,在选取的五个真实网络数据中,Weighted Walk相较于原生Deep Walk算法中的RandomWalk,能够有效提取节点的相似性信息与流行性信息,提升聚类效果,从而改进社团发现效果。2.现实网络研究中,在提供复杂网络数据的拓扑信息的基础上,还会提供节点的自身属性信息。基于这些节点的自身属性信息,通过设定相应函数得到节点的相似度矩阵,利用相似度矩阵,将RandomWalk改进为Weighted Walk,从而改进Deep Walk算法,改进的Deep Walk算法的性能得到了提升。3.基于上述节点相似度矩阵,研究并改进SkipGram模型的目标函数,改进训练过程中节点的嵌入向量更新公式,将相似度信息融入到迭代过程。研究表明,现实网络数据中,改进的SkipGram模型比原生SkipGram模型性能有较大提升,通过仿真验证算法的有效性。