一直以来,社团划分和聚类分析被认为是相似的,其目的都是将相似的对象分为一组,但近几十年来都被分开研究,缺少一个统一的框架去处理这两类问题,其中一个重要原因在于向量数据和拓扑数据之间的差异。异质性是网络拓扑中社团结构和向量数据中簇结构存在的共同条件,它表示数据的重要属性间存在差异,相比之下,均质性的晶格网络或随机均匀分布的数据点则不存在团簇结构。以异质性为基础,本文将向量数据中密度的概念扩展至拓扑数据,提出基于局域信息挖掘的“隐含方向性”这一概念,隐含方向性指示了一种层级性的追随关系,即一个对象会指向离自己最近且中心性比自身更高的对象,并在分类上归属于这个更高对象的类别。基于隐含方向性能够更好地识别社团中心,它们的中心性高于其邻居且距离其他中心性更高的对象较远。本文提出了一种快速的局域搜索划分算法,可以高效挖掘个体间隐含的方向性,应用于社团划分和聚类分析。该算法具有线性时间复杂度,并且能够较好地检测网络中的社团结构,识别有意义的社团中心。在均质网络、随机网络与多尺度层级性网络等人工合成网络上,算法能够得出有意义的划分。对于带有真实社团标签的网络数据集的分析表明,算法在速度上明显优于目前线性复杂度的Louvain算法,在划分结果的准确性上也优于很多流行的社团划分算法。将算法应用于城市地点间的流量网络和大脑功能网络,可以得到与实际现象或功能相符的划分结果,为相关研究提供新的理解与思路。基于隐含方向性的通用性,算法还可以应用于由向量数据构成的网络上,通过社团划分进行聚类分析。算法在各类二维测试数据上都有很好的表现,并且在同时存在低密度流形与高密度球状的二维数据上优于近年来新提出的基于密度与距离的最新聚类算法。在人脸图像与手写数字等高维数据集上,算法的优势更加明显,这也表明将数据构建为网络以及网络化的表征有助于更好的揭示个体间深层的内在关系,进行更好的聚类分析。