社区搜索的目的是找到包含查询顶点集的社区。现有研究主要集中于在简单图和属性图上的社区搜索,目前已有许多社区模型,如k-core、k-truss、k-ECC和k-clique等。另外,现有的研究主要集中在顶点和链接类型相同的同构网络上,不能直接应用于具有多种类型的对象和链接的异构信息网络。在诸如书目网络和知识图谱等大多数的异构信息网络中,存在着各种网络拓扑信息和节点属性信息,对属性社区的搜索往往能获取具有个性化的社区。但现有的属性社区搜索研究往往对节点的属性信息考虑不全面或只考虑属性信息而不考虑节点的拓扑结构,这都会导致比较严重的搭便车效应,无法保证社区的属性聚合性。针对上述问题,本文研究一种面向异构网络的属性社区搜索方法,同时考虑了异构网络的特征和网络内节点属性信息。具体工作内容包括以下方面:本文提出一种面向异构网络的属性社区搜索方法。给出问题的形式化描述,详细阐述了方法的基本思想和具体步骤,并进行算法的复杂度分析。属性社区搜索方法主要包括预处理、候选图获取和社区搜索等步骤。预处理过程采用元路径概念,定义一个在不同节点类型之间的关系序列;社区搜索算法基于分支限界思想,使用k-truss来约束社区的结构凝聚力,并利用综合了社区结构凝聚力和属性凝聚力的评分函数对候选社区打分,最终获取高质量的社区。最后,我们在三个带有真实社区结构的Foursquare、DBLP、IMDB数据集上进行了实验,对实验结果进行了比较分析,验证了前面所提方法的有效性和高效性。