社会网络是由许多节点依据社会关系构成的一种关系体系。社团检测有助于帮助人们理解网络的拓扑结构并发现一些有意义的群体。现有的社团发现算法主要分为重叠社团发现和非重叠社团发现两大类。重叠社团发现算法是近几年的研究趋势,但多数基于局部最优化思想的算法忽略了节点间连边在网络中的社会属性,同时由于设置了较为简单的节点准入条件,因此容易产生节点数量较多的大社团,从而使得社团划分质量难以提高。非重叠社团发现算法中基于标签传播思想的算法虽然具有接近线性的时间复杂度,但由于其设置了随机的传播队列以及更新标签时采用随机的方式,因此社团检测结果的稳定性较差。针对上述问题,本文进行了如下研究:1.针对基于局部最优化思想的算法会产生大社团的问题,提出一种改进的重叠社团发现算法。该算法提出了两点改进意见:一是通过定义节点间直接联系强度与间接联系强度对网络连边进行加权处理,随后利用局部社团内外权重之和产生新的适应度函数;二是在节点聚类系数基础上定义了局部社团稳定度的概念。当局部社团在选取节点时,既考虑节点对社团的适应度贡献,又考虑节点对社团的稳定度贡献,以避免检测结果中出现大社团的现象。实验表明,该算法能有效地挖掘网络中存在的小社团结构。同时,在具有小社团结构的网络中,该算法所得划分质量相较于其他算法有了一定提高。2.针对标签传播社团发现算法稳定性不高的问题,提出一种改进的标签传播社团发现算法。首先,通过引入衡量科研工作者影响力的H指数,定义了节点权重。随后根据权重大小对节点进行排序,确定了升序序列作为标签的传播队列以降低算法的随机性。最后在标签传播过程中,设计了节点标签的更新策略,即通过定义标签权重,使待更新标签的节点向权重高的标签靠近,以此达到聚类的目的。实验表明,该算法能得到确定的社团结构,并且有效提高了社团检测的质量。