随着社交网站和社交软件的兴起,社交网络的规模日趋复杂和庞大。从网络中挖掘内聚子图已经成为近年来社交网络分析中的一个重要研究方向。然而,现有社区模型问题的探讨大多基于网络拓扑结构,忽略了现实网络中节点具有的丰富属性信息。其中通过用户参与度和关系强度提出的k-truss模型,捕捉了积极参与网络的用户以及用户之间的强连接程度,然而该模型却未考虑用户的属性。为此,本文针对目前社交网络中社区检测问题存在的不足进行了改进和创新,主要研究贡献如下:1.提出了基于k-truss的社区检测模型为了有效准确地挖掘社交网络中的内聚子图,本文基于k-truss模型和内聚子图的Enumerate MKRC和Naive Enum算法,对属性网络社区提出了新模型(k,r)-truss以及Basic Enum和NEnum算法,从而借助用户之间的强连接关系和相似度两个角度来检测社交网络上的内聚子图,达到发掘高质量社区结构的目的。在多个真实数据集上进行实验,对提出的(k,r)-truss模型与k-truss和(k,r)-core模型进行社区检测有效性能的比较,结果表明(k,r)-truss模型社区检测的有效性能优于其他两种模型。2.提出了基于结构和属性相似度的社区检测算法为了提高寻找大规模社交网络中所有maximal(k,r)-truss的效率,本文基于结构和属性相似度的Basic Enum和NEnum算法,对属性网络社区提出了启发式节点选择、候选集保留、搜索顺序和检查极大值属性等剪枝技术,提出了高效的Adv Enum H、Adv Enum HC、Check Max以及Adv Enum剪枝算法,显著减少了挖掘算法的搜索空间。在多个真实数据集上进行实验,对所提算法与基线算法Adv Enum R进行社区检测的时间性能比较,结果表明Adv Enum H、Adv Enum HC、Check Max和Adv Enum算法减少了挖掘算法的搜索空间,缩短了时间开销,具有高效性。