社会网络分析（Social Network Analysis,SNA）是使用量化方法对社会网络进行分析,研究其中个体和网络特性的学科。从最初的规则网络,随机网络,再到现在的复杂网络,越来越多的来自不同领域的事物通过复杂网络的形式进行描述,由此产生的海量数据及其动态变化的网络结构已使得人们无法实时获知全局数据信息。对此,利用局部信息进行的社区发现技术已成为近年来社会网络分析的研究热点。 与过去研究者仅注重从复杂网络中研究社区的平面拓扑特性不同,局部社区层次结构研究是对给定节点所属社区位于的社会层次的深入分析。通过分析社区空间结构,我们可以更好地确定节点的网络地位、了解复杂网络的结构和演变、以及社区在网络中的阶层。此外,社区层次研究还在用户行为分析、反恐追踪、病毒传播等方面有着广泛应用。但现时大多数社区层次结构发现思想都是在已有社区发现方法上的延伸,具有一定的局限性,且缺乏对社区层次结构合理性的有效评估,也无法发现同一层次上的子社区结构。 为了解决上述问题,本文在深入探索局部社区发现方法的基础上,提出了反映节点在网络中聚集特性的极大度数节点的定义和基于极大度数节点的社会网络局部社区层次发现算法——基于极大度数节点的复杂网络社区层次结构研究算法（HCSD-MN算法）。本算法首先对社区层次进行横向发现:考虑了节点在网络中的作用,根据起始节点最近关联的的极大度数点数量划分出相应的主题社区;然后对社区层次结构进行纵向研究:构造出节点间相似度较高的起始节点集,并通过调整社区-分辨率变化级别,快速划分社区层次,进而发现社区的演变途径,特别是社区层次的跃变,以及对应的社区结构饱和状态。 本文还提出使用NMI标准来评估HCSD-MN算法的有效性,并与其他算法进行比较,其中,NMI是目前被广泛用于社区层次发现方法检测的标准。实验证明,该算法不仅能获得正确的社区结构,而且能有效发现社区层次跃变,以及社区各层次中存在的小社区结构。