社区聚类算法也叫图聚类算法,一直以来都是数据挖掘领域研究的热门话题。如最大模块化算法、SCAN算法,都可以从复杂的结构图中将联系紧密的社区结构有效剥离开来。在大数据爆发的今天,这些算法仍能解决社区划分的问题。该类算法的研究对于商业应用中的导购推荐、话题的舆论导向等等有着非凡的意义。然而,针对某一个物品或者某一服务,人们会有不同的情感,通过这类算法所得到的社区结构并不能真正反映现实生活中的社交关系。所以,基于社交关系网中的情感因素,又有了情感社区划分算法。但是,现有基于最大模块化方式来解决情感社区划分问题的算法,存在以下几个方面的问题:（1）模块化算法的复杂度极高,它已经被证明是一个NP难问题,虽然引入情感因素后,模块化算法被转化为能够有效求解的半定规划问题,但其时间复杂度仍然很高;（2）情感的不可传递性会导致聚类偏差,在情感社区中,如果有N个点在结构上是紧密的,且相邻节点之间的情感差值并不大,那么分类结果可能会将结构图中两个情感并不一致的点进行聚类;（3）模块化的划分结果往往会十分离散,因为模块化的划分方法并不能识别社区间的连接点和离群点,连接点和离群点由于结构上和子社区都不存在密切关系,所以这些点都会被划分为单独的情感子社区。针对上述问题,本文提出了一种新的基于SCAN的情感社区划分算法,简称为SPEC。SCAN是一种在线性时间复杂度下就能完成聚类的社区划分算法。利用该算法来解决情感社区划分问题时,不仅能减少时间复杂度,还能有效识别社区间的特殊点。SPEC算法具有以下优势:（1）通过计算情感区间合理解决情感值的不可传递问题,使每个情感子社区中的点都能保证其情感极性是一致的,避免了聚类偏差;（2）利用情感区间将社区间的连接点和离群点进行聚类,避免划分结果离散;（3）大大减小了情感社区划分算法的时间成本。本文对SPEC算法进行了大量的实验,实验表明,该算法的划分结果正确,且比现有的情感社区划分算法具有更好的性能。