在?们的?常?活中,复杂系统扮演着?分重要的??。对复杂系统的研究也有很多不同的?向,例如对复杂系统动?学的研究,对随机性的研究,以及?组织性、?适应性等??的研究。本?的研究内容是复杂?络的社团发现问题。复杂?络中的社团结构是复杂?络的?个?常普遍、重要的特征,其可以增强?们对复杂?络特性的理解,对复杂?络的个体?为预测、群体划分等??的研究具有很重要的意义。社团发现领域初始的研究对象主要是复杂?络的拓扑结构图,近年来,随着?数据时代的到来,研究?员发现复杂?络中的节点属性信息同样可以为社团发现问题提供许多有?的信息。?前,融合了节点属性信息的社团发现算法对于属性信息的使?存在很多弊端,例如将节点的所有属性取值以01向量的形式表?,这种?法?视了同?属性不同取值之间的互斥约束;对所有属性进?线性组合从?将节点的属性取值化为多维空间中的单位向量,这种?法在属性较多时会造成维度灾难。同时,调研发现,该类算法在社团发现任务上的准确性还不够理想。本?提出了?个?成式的社团检测算法,该算法在传统随机块模型的基础上增加了属性与社团的相关性矩阵参数,该相关性矩阵以属性为单位进?构建,从?在融合?络的拓扑结构和节点的属性参数的同时,保留了不同属性之间的独?性,然后通过EM算法,得到最终的社团划分结果。在该过程中,为了降低计算的复杂度,本?使?BP算法来计算给定属性相关性矩阵之后的社团划分概率分布,将指数级别的计算复杂度降低到了线性级别。经过在不同种类数据集上的测试,本?验证了该算法具有更?的准确性。同时,本?提出了?个属性与社团划分之间的相容性指数,该指数可以衡量属性对社团划分的贡献度,帮助对社团划分的结果进?语义解释,同时也可以衡量属性或属性组合在复杂?络中的聚集性,为社团的语义化描述提供了新的思路。最后,本?使?提出的算法搭建了?个可视化的社团发现系统,为社团发现的?程化应?提供了?个简单的?例。