复杂网络是一种对关联数据进行建模及分析的有效工具,在各种大数据应用中得到广泛关注,如线上社交网络或者推荐系统,非常重视识别一组相似的用户、节点或者物品。然而在大型网络进行人工识别标注却难以实现,一种有效的方法是首先标注一些用户作为种子点(已知的标签节点),然后在剩余的网络结点中去扩展找寻更多未知的社团成员。这被称为种子集扩展问题。如何利用种子成员提供的有限信息在网络中进行有效的扩展已经成为一个非常具有挑战性的课题。在现有研究工作上,本课题试图为种子集扩展提供更多新的角度,并基于这些视角设计新的算法,通过基于真实社团的网络数据,与现有算法进行比较,验证算法的有效性。首先,利用复杂网络的传播动力学理论,通过分析社团在网络中的演变过程,将种子集扩展问题转化为基于传播动力学的标签传播问题,在经典标签传播算法的基础上针对种子集扩展问题进行改进,提出软标签传播算法和考虑相似性的增强标签算法。其次,借用特征空间距离表示相似性的思想,基于网络表示学习和机器学习的理论,将高维的网络邻接矩阵映射到低维特征空间,将种子集扩展问题转为在特征空间寻找最近邻的问题,首次提出了一个基于DeepWalk的类KNN算法。基于通过模型与网络交互学习方式扩展种子集思想,联想到相似的强化学习,首次引入强化学习方法,将种子集扩展问题与强化学习一种常用场景迷宫寻路问题进行类比,设计出基于Q-Learning的种子集扩展算法。本文分别通过基于真实社团的网络数据,与现有的算法进行比较,验证了本文算法的有效性和效果的提升。