网络构成了复杂系统的基础,从脑网络到计算机通信网络,从运输基础设施到在线社会系统,从生物系统到金融市场;在现实世界中,所遇到的大多数系统都是复杂的系统。这些系统具有复杂的拓扑特征,这意味着它们在元素之间的连接拓扑结构既不限于对称排列,也不是可预测的（纯随机的）。学者将这些系统称为复杂的网络。复杂的网络代表着无数的现实世界系统,其中部分系统是人造的,一个较为常见的例子即为Internet和语义Web应用程序。这些语义Web知识领域通过使其具有可编程性和Internet数据机可读性来描述万维网（World Wide Web）的发展。换句话说,WWW正在通过万维网联盟制定的标准发展到语义Web（数据Web）。描述这些复杂的网络结构可以增进人类对与系统运行机制的了解,以及对生物学,经济学和不断发展的社会行为的认识。社区检测是复杂网络中的一个基本问题,该问题带来的一个挑战是在复杂系统中海量数据的可视化。在复杂网络中发现社区是一个非常重要的问题。这项研究工作的主要思想和重点是在语义Web知识域（也称为资源描述框架图）中检测社区,该图是有方向的,带有标签的,有时可以是加权图。基于在资源描述框架图中检测社区的主要研究思想,本论文的研究工作始于对资源描述框架图的精确描述。本论文的主要贡献概括如下:1)本论文研究了三种用于检测领域特定知识库中的社区的主要算法,这些算法是:a)搜索,遍历以及排名算法。本论文针对最终用户或没有专家的用户,私有数据集的概念以及SHE识别的资源描述框架图的实体级别上域专家的影响设计了该算法并将权重分配给影响所获得社区排名的实例或实体。另外,该算法考虑了四个因素。首先是包含权重是影响路径等级的权重。在资源描述框架图中,层次结构中较低的实体被认为是层次结构中较高级的实体的更专门的实例,第二个因素是实体或节点得分,用来衡量资源描述框架图中实体重要性的量度。实体得分取决于传入链接和传出链接。第三个因素是链接得分,这是一个分配的得分值,它首先查看链接所连接的实体的权重核心。而第四个因素是域-专家评分这些是领域专家从领域特定知识库中的无专家那里为感兴趣的资源描述框架资源分配的权重。所提的算法取得了非常优越的性能;b)一种基于频谱聚类的社区检测算法。该算法通过使用由控制图随机游走的马尔可夫链平稳概率所定义的Diplacian来检测社区。简单地说,该算法不使用节点度来检测社区,而优点是,它可以通过维护或无需更改弧或链接的方向性来检测资源描述框架图中的社区。所获得的结果验证了该算法的有效性;c)基于模块的资源描述框架图社区检测算法。该算法采用了 Louvain方法,将有向图划分为相关的事物组,具体而言,该算法使用两个参数:用于更好地分解图的随机参数和用于检测特定领域知识库中社区数量的分辨率参数。实验结果验证了所提算法的有效性。2)第二个贡献是,本论文研究了进化算法的概念,并提出了一个基于遗传算法检测资源描述框架图中的群落的框架。