社团发现可以挖掘社交网络中的社团结构,有助于分析社会活动的规律,在日常生活中有着广泛的应用,如推荐系统、链接预测等。目前社团发现的相关算法主要针对单个网络进行了大量研究,但在实际生活中,个体并不只存在于单一社交网络,而是同时隶属于多个社交网络。因此,单个社交网络会出现信息缺失的情况,导致最终的社团发现结果不正确。如何充分利用多个社交网络的结构信息进行社团发现是本文的第一个研究内容。然而在多个网络中,存在某些社交网络的结构信息被重复表达,联合这些具有重复信息的社交网络不仅不能提高社团发现的准确率,而且还会降低联合过程中的效率。因此,如何在保证社团发现准确率变化不大的前提下删除重复的网络是本文的第二个研究内容。本文的主要研究工作有:1.提出了一种基于多粒度网络联合表示的多源网络社团发现算法,该算法充分利用每个网络中锚节点的结构信息,对锚节点进行信息交互,使锚节点可以从多个网络中获取结构信息,最后利用改进的密度峰值算法进行社团发现。为了验证算法的有效性,对单网络和多网络分别进行社团发现,实验结果证明进行多粒度网络联合之后的社团发现结果比单网络的结果准确率要高。2.提出了一种面向社团发现的多源网络选择算法,该算法将每个网络中的拓扑结构转换成二元关系集合,然后在二元关系集合中找出每个集合的域值,对具有包含关系的域值计算其对应网络的关系矩阵,运用Jaccard系数计算两个网络之间的相似度,并对相似度高且被包含的网络进行删除。为了验证算法的有效性,对删除前后的网络分别进行社团发现,实验结果证明删除冗余的网络对社团发现的精确性影响不大。3.设计实现了多源网络社团发现系统,该系统运用flask框架对多源网络的选择和联合发现的功能进行了实现。