现实中到处都存在着网络系统,因为其相当复杂,所以人们始终在对其所包含的未知的潜在结构进行探索.而网络社区发现,就是网络中的一个研究方向.从复杂网络中检测出社区结构,则是相关内容的研究热点.从不同的角度进行研究,所发现的社区结构也会有所不同.通过识别这些社区结构,研究人员对复杂网络的功能特性又有了进一步的了解,不仅可以深入探索网络的本质,还能够发现信息在网络中的传播特性等等.因此,社区发现方法在众多领域当中都得到了广泛的应用.研究复发次数,复发时间以及相邻复发之间的间隔时间,通常是纵向研究或者流行病学研究分析的目标.为了分析间隔时间,前人提出了相应的比例危险模型,如经典的Cox比例危险模型,Anderson-Gill（AG）比例强度模型,Prentice-WilliamsPeterson（PWP）等等.然而,众所周知,比例危险模型可能不能很好地拟合数据.因此,本文研究的是另一种模型-可加危险模型,对复发间隔时间数据进行拟合,再对其估计效果的好坏进行相关的评价.与比例危险模型相比,可加危险模型的一个主要优点是得到的参数估计量是一个显性解析解的形式,这大大降低了我们的计算难度.大部分早期的网络社区发现方法只能对无权或者无向的网络进行非重叠的社区划分,而混合隶属度随机块模型（Mixed-Membership-Stochastic-Block-Model,MMSB）的出现,可以定量得到节点所属各个社团中的概率,从而发现在有向网络中存在的重叠社区,也就是一个节点可以同时存在多个潜在功能,这更加符合真实的网络情况,因此得到广泛关注.然而,标准的MMSB并不适用于动态网络,这在一定程度上限制了其应用范围.本文通过研究现有的网络社团发现方法,构造了MMSB的一个半参数模型,对连续时间内的复发事件的间隔时间用可加危险模型进行建模,也就是将复发事件应用到纵向网络中,可以更好的研究网络的社团结构和性质.此外,我们在模拟实验中展示了复发事件部分的回归参数的拟合效果,评估了该模型进行社团划分的准确性;在实例分析中通过分析一个小学生一年级的数据集来说明该方法的适用性.本文的创新内容主要如下:第一,Matias et al.（2018）在泊松强度函数假设下通过完全非参数核密度的方法进行模型的参数估计,由于涉及到核估计和窗宽选择,因此该方法具有较大的计算强度.而本文通过构造了一个半参数的可加均值风险模型（不需要泊松过程假设）,并且可以允许节点对的协变量存在,用估计方程的方法得到强度以及协变量参数的估计值,不但放宽了模型的分布假设,也避免了核估计里面复杂的窗宽选择,从而大大降低了模型的计算强度,也提高了社区发现精度.该方法首先通过建立统计模型来模拟观测网络,复发事件部分的回归参数和强度函数的估计,是通过估计方程的方法推断得到的,网络部分的参数估计是利用变分期望最大化算法（VariationalExpectation-Maximization,VEM）估计的,根据节点所属不同的社区都有相应的概率,也就是得到的混合隶属度向量,实现网络的社区划分.第二,本文首次提出基于节点对的复发链接间隔来进行社区发现.相对基于累计复发次数进行社区发现,节点对的复发链接间隔时间则从另外一个崭新的角度来看待社区发现问题.例如,研究一群个体一年之内的邮件往来情况,通过邮件往来的频率作为复发事件的强度,以此进行社团划分.其中两个研究对象A1和A2,与另外两个研究对象B1和B2若邮件往来的总数相同,但是A1和A2邮件往来只集中在1月份,而B1和B2的邮件往来可以均匀分布在每个月份,那么A1和A2的关系更像是工作关系,而B1和B2更可能是朋友的关系.由此启发我们考虑了基于复发链接间隔的社区发现思路.