近年来,随着互联网、计算机技术和通信行业的快速发展,网络数据量急速增长,网络的规模日渐庞大,获取一个网络的全局信息逐渐变得困难。同时,例如在个性化商品推荐和预防疾病传播的网络研究中,只需要找出某一个或某一些个体所在的局部社区即可,因此局部社区发现的研究逐渐得到了人们的关注。相关研究表明,在众多的局部社区发现算法中,重启随机游走算法(Random Walk with Restart,RWR)具有较高的求解精度,但还存在着初始选点敏感性、搜索范围不全面的问题,为了有效地提高局部社区的求解精度,本文提出了一种基于RWR的多策略局部社区发现算法,主要研究如下:首先,针对RWR算法在求解局部社区时存在的初始选点敏感性问题,提出了基于局部最大团的初始选点优化策略。将初始节点所在的最大团结构称为局部最大团,在局部最大团的基础上提出了两种优化方法:基于局部最大团的优化方法,用局部最大团整体代替初始节点作为随机游走的重启节点;基于最大度节点的优化方法,用局部最大团中度数最大的节点代替初始节点作为随机游走的重启节点。实验结果表明,两种优化方法都能有效的解决初始选点的敏感性问题,其中第二种方法能挖掘到更多的节点,因此将第二种方法作为最终的优化策略,提高局部社区发现的精确度。然后,针对RWR算法在求解局部社区时搜索范围不全面的问题,提出了基于图传导性的搜索范围优化策略。根据社区的规模大小选取适当的搜索范围,把最小图传导性当做求解局部社区的目标函数。同时,把当前的节点集合规模与搜索范围进行比较,在图传导性递减的节点区间内尽可能多的挖掘正确节点。实验结果表明,该优化策略能挖掘到更多的正确节点,提高了局部社区节点的找全率。最后,基于RWR的多策略局部社区发现算法将节点跳转概率值的排名不变作为算法的收敛条件,通过较少的迭代次数即可获得节点加入局部社区的正确顺序。在求解精度上与Clauset算法、Luo算法、RWR算法和MWC算法进行对比,实验结果表明,基于RWR的多策略局部社区发现算法具有最高的求解精度。