微博网络研究的热门课题之一就是从庞大的微博网络中找出具有相同兴趣偏好或频繁交流的用户集合并对其进行合理地分群,以达到产品或者服务精准营销推送、商品精准推荐、舆情精准分析的目的,而社区发现就是找出上述集合的有效方法。传统的社区发现算法往往只是从网络结构出发来进行,而没有考虑微博网络独有的特点,比如,微博的用户标签、转发、赞扬、评论等这些多维度的信息,从而导致了准确度不高的社区发现结果。此外,微博网络中的用户通常具有多个兴趣爱好,比如对音乐感兴趣的用户往往对舞蹈也感兴趣,这导致同一个节点可能属于不同的社区。所以,传统的非重叠社区发现算法往往没有真实地刻画微博社交网络的微观特征。鉴于此,本文以微博网络为对象,提出一种基于多维信息及边距离矩阵(Multidimensional Information and Edge Distance Matrix)的微博重叠社区发现算法,简称MIEDM算法。首先,本文融合微博用户的好友关系、用户行为、微博内容、地理位置等多维信息建立有权的网络拓扑结构图。然后,本文从有权网络拓扑结构图边的角度出发,基于边-节点-边随机游走模型构建边距离矩阵。该矩阵不仅考虑了相邻边而且考虑非相邻边之间的距离。其次,本文把现有密度峰值聚类算法中手工筛选聚类中心的方式改进为程序自动化计算确定,并利用此改进的算法对边距离矩阵进行初步社区划分。此外,根据扩展模块度对初步发现的社区进行合并,减少社区之间的重叠度,提高了社区划分的质量,并分析了算法的时间复杂度。最后,通过微博网络数据集和经典真实网络数据集来验证本文算法的有效性和通用性。实验结果显示,本文算法与其他社区发现算法相比,有较高的准确性、稳定性和通用性。