随着信息技术的发展,社会网络的分析应用已不限于传统的小群体社会关系,而是扩展到几乎所有的人类活动领域,涵盖社会,经济,政治,信息科学等诸多方向。以计算机科学知识作为辅助工具对社会网络数据集进行储存、检索和分析,已成为当今热门研究课题。现有社会网络分析往往采用单一正关系边值模型来表示节点间的关系,而对社会网络中广泛存在的因对立关系而产生的符号边值问题缺乏较深入的研究。因此,有必要对含有符号边的社会网络提供有效的分析方法。符号网络的社群分析方法主要从社群结构的划分和边值关系的预测两个方面进行研究。基于符号网络的K-核心划分策略是针对符号网络的特性,通过社会结构平衡理论模型,以社群节点符号密度来确定初始网络簇,并进行二次迭代重定位。与随机划分相比,有效地减少了节点交换次数,提高了划分效果。同时在共同邻居度量预测算法的基础上,综合考虑符号网络节点的偏好性理论,提出一种改进的符号网络边值预测方法,避免了单一共同邻居算法预测选值的敏感性,从而能够对符号网络的未知边值和缺失边值做出更准确地预测判断。通过建立仿真实验对符号网络的社群划分策略和边值预测方法进行了实验验证。实验结果表明上述两种方法在各自性能评价上都有所提高,能够在符号网络数据分析中得到较好的应用。