近年来,随着网络的迅速发展,对高质量社区进行挖掘和发现已经成为社会网络研究的一个热点。当前社区发现算法主要通过无向图进行研究,但在实际复杂网络中,链接关系时常表现出非对称性,比如Twitter的用户关注关系,文献网络的引用关系,网页之间的超链接关系等。目前为止社区发现领域已有很多优秀的划分方法,比如模块度优化算法,基于标签传播的社区发现算法等。这些方法多适用于非重叠社区,但很多社交网络比如本文实验采用的空手道网络以及橄榄球队网络都有一个节点属于多个社区的情况,因此对于重叠节点的研究在社区发现领域显得尤为重要。论文主要研究内容包括:首先,介绍了社区发现领域的相关理论与技术,深入分析了应用于重叠社区发现的隐语义模型算法——LFM(An Algorithm based on Latent Factor Model)算法。并针对其在有向社交网络中适用性不强和种子节点随机选取的不足,提出基于带权无向图的重叠社区发现算法——SN-LFM(A Seed Node Algorithm based on Latent Factor Model)算法。SN-LFM算法首先通过本文定义的加权无向图模型,改进了LFM算法对有向图的适用性不足问题,其次应用影响力函数,有效改善了LFM算法种子节点随机选取的不足,优化了社区划分结果。实验表明,本文的改进算法使得社区划分结果准确性更高,在社区发现领域有较好的效果。其次,本文通过对LFM算法执行过程的分析,发现算法存在循环计算重复节点适应度值的不足,基于SN-LFM算法对种子节点选取优化之后,提出基于有向图的局部重叠社区发现算法——CSN-LFM(A Core Community And Seed Node Algorithm based on Latent Factor Model)算法,该算法通过给出核心社区和贴近度的定义,解决了LFM算法循环对重复节点进行操作导致的效率问题。CSN-LFM算法主要包括初始社区扩展和自然社区扩展两部分。最后在四个不同规模的人工合成网络以及五个不同的现实网络上进行时间效率和社区划分效果的对比,实验结果表明本文的改进算法在社区划分准确性以及效率上都有较好的改进。