目标社区发现是个性化的、有针对性的社区检测方法,往往根据用户提供的样例节点探索满足特定条件的局部社区。因而其只对满足指定条件的社区感兴趣,在现实世界中有广泛的应用场景,可为个性化推荐、互联网信息监管、舆情预警等工作提供相应的解决方案。目标社区发现的研究主要聚焦于用户提供的先验信息扩展,用户偏好挖掘以及基于用户偏好的目标社区模型构建。通过对现有目标社区发现工作总结分析,取得如下研究成果:第一,提出一种面向属性网络的融合用户偏好与社区影响力的目标社区发现方法(Target Community Detection Method with User Preferences and Influence,TCPI),基于用户偏好挖掘具有一定影响力的高质量社区。首先,综合节点结构与属性信息,挖掘包含样例节点的极大k团作为潜在目标社区核心,并设计一种熵加权属性权重计算办法来捕获用户偏好;其次,融合社区内部紧密性和外部可分离性定义社区质量函数,以极大k团为核心扩展得到高质量的潜在目标社区;最后,定义社区外部影响分数,并结合社区质量与外部影响分数对潜在目标社区排序,输出高质量且具有一定影响力的目标社区。此外,在计算包含样例节点的所有极大k团后,还设计了两重修剪策略,以提高算法的性能和效率。第二,提出一种基于双视图的自适应两级加权目标社区检测方法(Adaptive Two-level Weighted Target Communities Detection with Double View,ATC-DV)。该方法基于用户给定的样例节点扩展挖掘用户偏好并指导目标社区发现,从而引导算法来检测更有趣和具有高属性语义相似性的密集连接目标社区。算法包括3个阶段:(1)用户给定先验信息的增强。建立包含与用户提供的样例节点相似的有限候选节点路径,并生成网络主干;(2)用户偏好学习和视图加权。为网络主干设计自适应两级可变加权聚类算法,同时计算视图和每个视图下变量的权重;(3)目标社区模型的改进。融合节点间的结构和属性信息,基于社区内部一致性和外部可分离性定义高质量目标社区模型。在人工网络和真实网络数据集上的实验结果印证了本文所提出算法的有效性和应用价值。