随着计算机技术和现代通讯技术的发展,社交网络构建了庞大的功能平台。在社交网络的帮助下,人们可以随时随地分享知识、交友互动等。对社交网络中的研究能够让我们认识网络的内在结构、发现隐藏其中的规律,从而为利用和改造网络提供指导,具有非常重要的实际意义。其中,社交网络中社区结构的发现以及意见领袖的识别是社交网络研究中的两个重要的研究问题。迄今为止,诸多的学者已经提出了一系列关于社区发现的算法。虽然都可以检测出社区结构,但是这些方法大部分都存在一定的缺陷,例如社区划分中对参数依赖过度、种子节点选择不合理等问题。目前也有许多关于意见领袖识别的算法,例如根据节点的局部特征、网络的拓扑结构来识别意见领袖等。这些算法大部分都是通过考虑单个网络结构或结构特征来判断节点影响力大小,忽略了节点的部分信息,从而不能较好地体现节点在网络中的重要程度。针对上面的分析,本文主要对网络中的重叠社区发现算法和意见领袖的识别算法进行了研究和改进,主要的工作如下:(1)基于三阶段策略的重叠社区发现算法(Three-stage strategy,TSS)。为了使种子节点很好地分布在整个网络中,本文首先根据节点的相似度来衡量影响力值,选择影响力大的节点作为种子节点。其次通过选择的种子节点来构建初始社区,并依据选定的聚类阈值与隶属度的关系选择性的添加或者删除节点来扩展初始社区,再通过比较初始社区的邻居节点与种子节点所构建的初始社区的隶属度值与阈值的值,选择隶属度值大于阈值的节点加入初始社区,从而形成一个更大的初始社区。然后,利用局部引力函数优化重叠社区结构,得到较为准确的划分结果。最后在离散型数据集与文本型数据集上验证了该算法能够有效的识别到网络中的重叠社区,且划分质量较好。(2)提出了一种基于重叠社区结构的意见领袖识别算法,称为基于社区的中介算法(Community-based Mediator,CMB)。针对大部分意见领袖识别算法仅考虑单个网络结构或节点的单个属性等问题,本文首先综合考虑了网络中节点内部密度与外部密度,其中节点的内、外密度分别包括节点的内、外部边链接强度,节点的内、外部位置链接强度以及节点的内、外部距离链接强度。其次对节点的内、外密度中的多个特征进行综合评价,并分别计算这些特征的影响权重。随后通过综合评估节点的得分,定义了影响力函数评估节点的影响力,并根据影响力的值对用户进行排序,选择影响力值大的用户作为意见领袖。最后分别在离散型数据集和文本型数据集上验证了该算法是有效的且能够准确地识别网络中的意见领袖。