现实世界中的许多复杂系统都可以抽象地表现为网络形态,随着大型网络数据可用性的提高,以及学者们对复杂网络定量、定性特征研究的深入,大型复杂网络的研究已变成一门极具意义的课题,而找寻复杂网络数据中的社群结构正是其中被着重研究的难点之一。2017年,一种围绕找到社团中心点继而吸引拉拢周围其他点的类天体万有引力的基于种子点选取的重叠社区发现算法(CNS)被提出,随后,在2019年被提出的一种融入了其他天体磁力干扰的基于中心边选取的重叠社区发现算法(CES)是对传统的CNS做出了的进一步改进,但由于CES算法延续了CNS算法的种子节点的选取过程,导致其在对节点质量的评估过程中存在一定偏差,因而极易产生影响力函数在对网络社区描述过程中产生不准确结果的可能,最终导致划分结果与真实情况不符或精确度不高等情况。本文针对CES的种子节点的选取过程和聚类过程,提出了相应的基于高影响力边的重叠社区发现算法(HIE),HIE分别在以下三部分对之前的算法进行了相应改善:利用邻居节点联系度(neighbor node connection degree,NNCD)调整了节点的质量来获得更加合理的种子节点,NNCD是从节点间的环路数进行考量,可以使节点间环路数较多的节点具有更大的点间相似度;在种子节点搜索的流程中增加了排序,避免了结构相似节点发现不全的问题;利用改进的边相似度(improved link similarity,ILS)来将非中心边缘划分到正确的聚类中,该过程重新定义了非中心边缘的选择过程,使得社区划分的效果与真实网络更加贴近。通过对3个真实网络和3种蛋白质交互网络中的实验结果表明,本文提出的算法在处理真实网络重叠社区时的计算效率、聚类成功率,质量评估等方面,相对CES算法、CNS算法、CPM算法、LC算法等算法都有进一步的提升。