作为21世纪信息时代的产物,网络的出现使得生产力得到了日新月异的发展,在技术更迭的浪潮中,社交网络也在不知不觉中改变着我们的行为方式,大数据时代的社交网络充斥着我们日常的各个角落。在线社交网络和真实社交网络不免存在相似之处,两者都有着社区结构特点;相异之处在于在线社交网络有着更为复杂的构造机理和千差万别的社区种类。社区发现则是一种应用在复杂网络中的数据挖掘技术,该技术可使得人们客观地了解网络构造特征。因此,有必要进行社交网络的划分研究。通过考虑某一用户节点是否可以属于两个或两个以上的社区,将社区发现分为可重叠社区发现与不可重叠社区发现。相较于不可重叠发现来说,可重叠社区发现则更贴近于现实网络形态。可重叠发现方法已有不少,但是综合考量用户自身兴趣与社交行为偏好的算法寥寥无几。本研究主要围绕复杂网络中的重叠社区发现、社区评价标准进行研究,论文的主要工作如下:1)为了量化用户自身的兴趣信息,本文提出标签平均划分距离概念。标签作为表征用户兴趣的良好标识,被考虑用作社区划分的指示工具。首先根据不同标签间内联以及外联关系,完成标签的扩充工作,进而定义标签区分度概念,按标签区分度排序获取核心标签集;然后从信息论与距离的概念出发,定义基于核心标签平均划分距离的社区准划分算法,进行初次划分并得到准社区;2)结合微博社区环境与用户特点,提出综合划分概念以权衡用户的自身兴趣与社交属性。根据用户关注关系定义6维结构属性向量,并结合Attrirank模型计算用户结构相异度;进而对核心标签平均划分距离和用户结构相异度进行权重调节,得到综合划分相异度;最后将综合划分相异度最低的标签所划分出的分组作为本次循环的新社区;用此策略反复迭代直到满足要求。本文实验以微博API抓取的用户数据作为实验数据,完成了调节因子选取、控制重叠度阈值选取、标签数量对算法敏感度的影响等实验,并进行了一系列的对比和分析,实验表明,该方法能够识别可重叠社区且具有实际应用意义。