现实世界中,许多系统都可以建模成相应的复杂网络,进而分析,如微博网络、蛋白质网络、文献网络等。这些网络通常以模块(又称社区)构成,模块内部的连通性较好,模块之间则较低。社区发现是复杂网络分析的一个重要问题,对发现网络中节点之间的隐藏关系,挖掘网络信息有着重要理论意义和实用价值。传统基于种子集的社区发现算法仅构造单一识别模型,无法有效识别社区成员。针对该问题,本文研究基于多模型集成学习和种子集扩展的社区发现算法,提高未知成员识别准确率。论文主要研究内容和结论如下:(1)基于重要种子成员扩展和装袋自助采样集成学习的社区发现算法针对已有基于种子集的社区发现算法中种子节点选择不合理和单一算法模型未能从多方面考虑种子信息的问题,本文提出了一种基于重要种子成员扩展和装袋自助采样集成的算法。首先通过计算节点的度中心性系数得到各个邻接节点的重要性,根据重要成员和已有种子集进行未知成员的识别,然后将改进后的算法作为基分类器,利用装袋(Bagging)自助采样算法获得多个差异性的基分类器,最后结合多个基分类器提高识别准确率。实验结果表明,引入节点度中心性的社区发现算法,识别准确率有较强提高;利用自助采样集成后的算法和传统的社区发现算法相比,识别准确率相较传统基于种子集的社区发现算法有较大提升,而且更适用于稀疏社区的未知成员识别。(2)基于自适应增强集成学习的社区发现算法针对基于自助采样的集成学习尚未考虑节点和社区的所属关系的问题,本文提出了一种基于自适应增强集成学习的社区发现算法。从网络拓扑结构和AdaBoost自适应算法进行研究,将基于种子集的社区发现看作二分类问题,训练数据集分布的改变取决于样本是否被正确分类。首先赋予样本初始权重,然后调低正确分类的样本权重,同时调高分类错误样本权重,最后将多个弱分类器加权组合在一起得到强分类器。实验结果表明,集成后的算法相较于传统基于种子集的社区发现算法,识别效果有较大提升,且在处理稠密社区时有更好的效果。表明基于自适应增强集成学习社区发现算法可以提高识别准确率,为用户提供更有价值的数据。