目前各界对于社会网络舆情的分析备受关注,对于网络舆情分析技术也是多元化的,其中常用的社会网络发现聚类方法有GN算法(Girvan-Newman Algorithm)。GN算法的优点是发现社区的准确度高,算法结构简单,鲁棒性强。但是GN算法仍然存在问题,该算法在发现社区结构时的时间复杂度高,计算效率慢。针对该问题本文提出对现有的GN算法进行并行化改进,以此来提高对社会网络舆情分析时发现社团的速度,使得在实际应用中能够快速准确的发现社团,确定社团结构。本文首先对传统GN算法的计算过程进行分析,发现算法在计算边介数值时是串行进行的,即算法在循环过程中一次只计算网络中一个节点的广度遍历图所生成的节点与边之间的关系结构。该结构为接下来在扫描点到点之间的最短路径时所记录的边介数值提供了先验条件。通过对并行化计算理论的研究与GN算法相结合,得出GN算法的可并行性。其次,建立算法的并行计算模型,描述舆情网络中各个节点之间的关系,分析节点与边的联系,并基于此模型设计出并行化的GN算法。再次,引入Hadoop平台,通过Hadoop下的MapReduce并行机制与算法进行结合,使其在多机的模型下分别计算网络中的各个节点,从而实现降低算法时间复杂度的目的,在不降低算法准确度的前提下提高舆情网络中的社团发现的速度。最后,通过实验结果对其并行化效果进行分析,并与传统GN算法所计算的结果进行比较,得出结论。经实验结果得出,算法并行计算下的准确度与串行的计算结果一样,在不减低算法准确度的前提下加快了舆情网络社区的发现速度。最终,经过改进后算法的时间复杂度有明显的降低,并且可以在工程实例中运行,这为监控社会网络舆情提供了方便,为社会的和谐和安定提供了帮助。