随着网络技术和移动终端设备的发展,各种各样的在线社交网络平台已经成为人们生活中的一部分。与传统社交网络不同,在线社交网络中较低的交友成本和快速传播信息的特性使其可以在短时间内快速扩张。社区结构是在线社交网络的重要特性之一。根据由不同兴趣、职业、地域形成的社区结构可以开展各种商业行为。现有的动态社区发现方法通过分析多个时刻的用户交互网络来生成与每个时刻对应的多个社区结果。然而,在线社交网络中充满了大量的噪声交互,会导致社区发现算法高估用户间的亲密度,进而生成错误的社区结果。为此,本研究针对用户交互行为设计了一种在线社交网络交互数据分析方法,并在此基础上提出了一种基于互惠度的交互数据采样方法。该采样方法将原始交互数据作为输入,通过分析用户之间的互惠行为剔除数据中的噪声交互,并将采样后的数据提供给社区发现算法。社区发现算法使用采样后的交互数据生成的社区结果有更高的准确性,并且由于采样降低了交互数据量,社区发现算法的时间开销也大幅减少。本研究对在线社交网络中用户的交互互惠行为进行了研究,深入分析了交互互惠度和用户社交地位之间的联系。针对在线社交网络庞大交互数据量和大量噪声交互影响社区发现效率及准确性的问题,本论文提出在社区发现之前对交互数据先进行预采样的解决方案,剔除噪声交互并降低数据量。首先,考虑到社交地位会影响用户的交互行为,本论文基于用户社交地位划分出了多个用户群,每个用户群将单独进行交互分析及数据采样。其次,由于交互互惠度可以反映交互的重要程度,本论文提出基于用户对在多个时段的互惠度为每个用户群建立互惠模型。最后,本论文基于每个用户群的互惠模型挖掘群内用户对在不同时段的交互重要性,并根据重要性进行交互数据采样,剔除重要性低的交互。实验表明采样后的数据中交互的重要性普遍更高,并且使用采样后数据的动态社区发现算法有更小的时间开销和更高的准确性。本文的主要研究成果有:（1）考虑到在线社交网络中大量的噪声交互会对社区发现算法产生影响,本论文提出在社区发现之前对交互数据先进行预采样来剔除噪声交互的解决方案。预采样的思想降低了采样方法和社区发现算法的耦合性,使采样后的数据可以作为任何现有静态、动态社区发现算法或其他有关在线社交网络的研究工作的输入。（2）为了深入分析用户随时间变化的交互行为,本论文提出了一种在线社交网络交互数据分析方法。考虑到用户的社交地位通常会影响其交互行为,本论文于社交地位划分了多个用户群,然后结合用户群划分研究了用户对在不同时段内的交互互惠度。（3）为了剔除在线社交网络中的噪声交互,在针对不同用户群的交互互惠度分析的基础上,本论文提出了一种基于互惠度的交互数据采样方法。其中基于互惠度数据和耦合隐马尔可夫模型建立每个用户群的互惠模型,并通过互惠模型估计用户对在每个时段内交互的重要性,然后剔除重要性较低的交互。每个用户群单独的互惠模型避免了不同社交地位用户的不同互惠度范围和互惠度变化规律对重要性估计产生的影响。（4）本论文使用了三个在线社交网络数据集和三个动态社区发现算法,从评估采样后数据和评估使用采样后数据生成的社区质量来说明采样方法的有效性。实验结果表明,采样后数据中的用户对有更高的互惠度、社交地位相似度,这表明交互的重要性普遍更高。并且使用采样后数据进行动态社区发现的时间开销更少,社区结果的准确性更高。