随着互联网的发展和社会的进步,各个领域每天都会产生大量相互关联、彼此依赖的数据,这些数据根据不同的主题形成了不同的复杂系统。我们将复杂系统抽象成复杂网络,即将复杂系统中的研究对象看作复杂网络中的节点,将对象之间的联系看作网络中的边。对复杂网络的理解和分析可帮助我们根据不同主题挖掘不同的知识,发现其中隐藏的信息从而对问题进行处理和预测。挖掘网络中的社区结构是复杂网络中的一项重要研究内容,在推荐系统、信息传播、行为预测和数据挖掘等各方面起到了不可代替的作用。社区结构的重叠节点在实际生活中普遍存在,重叠社区发现算法使得划分的社区结构更有效。复杂网络除了表现出重叠性之外,还具有动力学复杂性,即社区结构中的节点状态不断改变。在实际网络数据中,除了包括网络的拓扑结构信息,还含有丰富的节点属性信息。目前一些社区发现算法未能很好地刻画出社区的重叠区域,且没有考虑到节点的动态性和属性信息等。针对网络具有重叠性、动态性和节点富含属性信息,本文具体工作有以下三个方面:1.提出了一种基于粗糙集和密度峰值的重叠社区发现算法。该算法在传统的节点局部相似性度量基础上,结合灰色关联分析方法得到节点的全局相似性,进而将其转化为节点间距离。将密度峰值算法的思想应用在该方法中,根据网络结构自动选取中心节点。结合粗糙集理论,根据距离比例关系,定义了社区的近似集和边界域,针对边界域进行计算,得到重叠社区结构。实验验证了该算法具有有效性和可行性。2.针对网络社区结构的重叠性和动态性,提出了一种基于粗糙集和距离动态模型的重叠社区发现方法。该算法首先根据网络的拓扑结构,结合节点度中心性和定义的全局距离得到K个中心节点,然后结合粗糙集理论和距离动态模型的思想,根据边界域与下近似集节点间相连的边的距离变化,缩小边界域节点,迭代找到最佳的重叠社区结构。最后根据两条规则处理“伪”重叠节点。实验验证了改进算法的可行性和有效性。3.网络除了含有拓扑结构信息,还富含节点属性信息。针对网络社区结构具有重叠性和属性节点,提出了一种结合网络结构和属性的基于粗糙集的重叠社区发现算法。首先在传统的节点局部属性相似性和节点局部结构相似性的基础上,定义了融合两者信息的全局节点相似性,进而转化为节点全局距离,然后结合节点聚集系数和节点全局距离得到K个中心节点,最后结合粗糙集理论划分重叠社区结构。实验结果表明该算法的有效性和可行性。