现实世界中许多系统都可以用复杂网络来表示，社团结构是许多实际复杂网络中都存在的一个特征。探索复杂网络中的社团结构，可以帮助我们了解网络的内部结构和特性，进而发现网络中存在的规律，预测网络的行为和功能。因而，复杂网络中的社团发现得到越来越多人的关注。目前，研究者们已经对社团发现投入大量的研究，提出了一系列的社团发现算法。社团发现方法可大致分为全局社团发现和局部社团发现。局部社团发现依据节点的局部拓扑信息，在降低时间和空间的消耗上具有很大的扩展性。同时，现实中的许多复杂网络系统中，节点往往具有多个属性，使得节点可能属于多个社团，因而基于局部信息的重叠社团发现具有更大的实用价值。Newman提出基于贪婪思想的Newman快速算法，同时提出评价社团划分质量的标准——模块度。Clauset等人在该算法的基础上，引入堆的数据结构计算和更新模块度，提出新的算法CNM算法。算法时间复杂度接近线性，适用于大规模网络。但CNM算法由于使用全局模块度优化发现社团，存在难以发现小社团的问题。由Radicchi等人提出的弱社团是一种定义比较小的社团定义，网络中满足弱社团定义的社团有很多，因此会发现大量的弱社团。但是弱社团也是一种有实际意义且被许多学者认可的社团定义。在研究和学习社团发现算法的基础上，提出LCNM算法，解决CNM算法难以发现小社团问题。使用LFM算法中提出的基于局部信息的局部适应度函数发现网络中的弱社团，将大量的弱社团集构成新的网络作为CNM算法的输入。由于一个节点可能对多个弱社团都有较大的适应度值可以被划分到多个弱社团，所以LCNM算法还能发现重叠社团结构。最后在人工数据集和真实数据集上进行实验，实验结果证明LCNM算法能解决CNM算法难以发现小社团问题还能发现重叠社团，并具有较高的效率和较大的模块度值。