复杂网络可以自然的表示许多复杂问题,因此复杂网络可以用来解决现实世界中存在的许多问题。在许多不同的领域中,复杂网络的表示是不一样的,如在社会领域有社会关系网络,在生物学领域有基因调控网络、蛋白质相互作用网络等。在这里,复杂网络通常具有可辩别的社区结构。社区结构可以被看作一种“网络簇”。在复杂网络中,属于同一个社区的节点彼此之间密切相连,社区内存在大量的内部边,而来自不同社区的节点相互之间连接稀疏,同时网络中存在少量的跨社区相连的边。因此社区内的边稠密的,但社区之间的边是稀疏的。一个复杂网络能够包括许多社区,不同的社区之间相互关联,属于同一社区的节点之间具备类似的功能或者性质,不同的社区中的节点具备差异较大的性质或功能。例如,在社交网络中同一社区中的人具有相同的职业或工作;在蛋白质相互关联网络中,属于同一社区的蛋白质之间也许具有相近的功能。在真实世界的复杂网络中,不同的社区之间存在交互的现象,即不同的社区之间会有部分区域相互重叠,存在一个节点同时属于多个社区的情况。我们将这些节点称为重叠节点,将相互重叠的社区称为重叠社区。重叠节点与重叠社区广泛的存在于现实生活中。例如,社交网络中存在多个社区,一个社区可以代表一个家族,也可以代表一个公司的同事,一个人可以同时在家庭和公司中担任角色与职责;在生物分子网络中,不同的社区可以代表不同的生物功能表达过程,而一个基因或者蛋白质可能在多种生物功能中发挥作用;在学术圈中,一位学者往往涉及多个领域。重叠节点在复杂网络中往往占有重要地位。由于重叠节点可以属于多个重叠社区,它们连接着多个不同的社区,所以重叠节点在信息流通等方面起着枢纽的作用,也因此重叠节点的识别是重叠社区发现的重要一环。通过引入隶属度的概念,本文提出了一种基于隶属度传播的重叠社区发现算法。算法为每个节点设立一个缓冲区,在缓冲区中存储多个标签以及每个标签对应的隶属度,该隶属度表示当前节点属于对应潜在社区的可能性,每次迭代对每个节点的缓冲区进行更新。在该算法中,隶属度的传播是由全局和局部信息共同驱动的,并最终用于判断节点所属社区。我们将所提出的算法应用于LFR benchmark数据集和真实世界数据集,并将实验结果与现有的社区发现算法进行比较。结果表明,我们提出的基于隶属度传播的算法效果显著,并且在大多数数据集上都优于比较方法。特别地,它显著地提高了重叠节点预测的性能。综上所述,本文所做的主要工作有:提出了一种新的基于隶属度传播的重叠社区发现算法,并对算法的主要步骤进行详细阐述;在LFR benchmark数据集和真实数据集上进行实验,并将社区划分结果与其他的社区划分算法进行比较;对划分结果采用NMI,Omega指数,模块度等方法进行了详细分析。实验结果表明本文方法与已有算法相比,显著提高了社区发现效率和重叠节点的识别效果。