随着通信技术的飞速发展,移动互联网迅速崛起,由此产生的动态网络生成了海量数据,形成了大小主题各异的社区,挖掘社区中蕴含的巨大价值成为近来研究热点之一。目前,较为常见的社区研究分为社区发现、社区演化分析、社区结构分析等,其中对社区发现的研究已取得一定成果并应用于个性化推荐等领域,对社区演化的分析以社区发现为基础,进一步分析社区的变化并寻求潜在的演化规律,从而发现社区内隐含的深层次信息,为预测社区演化行为提供基础,同时可以在舆情分析与控制、蛋白质功能预测、精准营销、传染病传播控制等方面发挥重要作用。本文针对社区演化分析的相关问题,主要从以下三方面展开研究。提出一种基于评价指标的差值吸收核心节点检测算法。该算法以基于邻居信息与集聚系数的节点重要性评价指标为基础,依据评价指标值计算各节点的相对权重值,将该值为正数的节点确定为核心节点,并加入核心节点集。该算法不需要人为设定阈值,与依靠节点度信息等判定核心节点的算法相比具有较大优势。提出一种基于异同性的社区演化分类模型。以提出的差值吸收核心节点检测算法为基础,通过优化差异性公式,分别对核心节点和非核心节点的差异性进行判定。将优化后的差异性公式与现有的相似性公式结合,提出基于异同性的社区演化分类模型SDCE,从社区间的相似性和差异性两方面对社区演化类型进行判定。将SDCE与GED、SGCI等模型在HEP-TH、Salon24、Facebook等数据集上进行对比实验,结果表明,SDCE在对Forming和Dissolving事件的检测上有较大优势,避免了分辨极限问题(resolution limit),对小社区的检测效果依然较好,同时在演化事件总数方面具有一定优势,整体分类效果优于其他分类模型。设计并实现了动态社区演化类型分析系统。该系统以提出的差值吸收核心节点检测算法和基于异同性的社区演化分类模型为基础,对数据集的基础信息进行分析,并通过数据、折线图、柱状图、环形图等多种形式将SDCE对该数据集的演化分类结果进行展示,使用户可以较为直观地得到数据集和分类结果的相关信息,提升了用户体验。