近年来,随着各种社交网络的出现,提供了形式各异的新型社交服务。社区发现是社交网络研究中的一种关键技术,它旨在找到社交网络中拥有相似特性的用户群体。传统社区发现算法主要基于用户间的拓扑连接关系来发现符合“同一社区内的节点连接比较紧密,不同社区内的节点连接相对稀疏”这一特性的用户社区。然而,随着社交数据的多样化,用户间的连接关系愈加复杂。尤其是基于位置的社交网络的出现,其把位置信息融入到传统社交网络拓扑并使之成为一个异构网络,从而导致传统社区发现算法的不可适用,给社区发现带来了新的挑战。针对这个问题,本文从重构异构网络的角度研究基于位置的异构社交网络LBSN中的多维度社区发现技术。本文要求发现的社区要同时满足以下三个重要性质:社区内部用户节点拓扑连接紧密,在相同时间片内访问区域地理位置距离相接近,行为模式具有相似性,其中行为模式涵盖了时间和兴趣偏好两个方面。因此,本文提出了一种基于社交关系和时空行为的面向LBSN的同构网络模型(LBSN Homogeneous Network Model,LSHNM),并利用该模型完成了多维特征下的用户相似性关系计算和LBSN同构网络拓扑的构造。然后对上述同构网络拓扑使用非负矩阵分解(Non-negative Matrix Factor,NMF)社区发现算法来挖掘出LBSN中符合要求的社区结构。最终设计并开发了社区发现原型系统。本文选取来自Foursquare的真实数据作为数据源并筛选出纽约市的数据。然后分别从社交关系紧密度、时空分布紧密度、行为模式紧密度和运行时间四个方面综合比较本文的LSHNM模型和对比算法的实验效果。实验表明,LSHNM模型能更好地挖掘出符合要求的社区结构并且效率较高。