在当前网络化,信息化的大背景下,社交网络成为研究人们的社交规律,兴趣爱好,行为特点等方面的重要研究对象。近年来,社区发现问题引起了国内外众多学者的广泛研究,并有了可观的成果。但由于社交网络结构的复杂性,内容的多元化,传统社区发现算法难以综合多项信息准确划分社交网络。针对社交网络的特性,本文研究基于用户行为分析的社区发现,提出了一种针对异质社交网络,融合各类信息的社区发现算法(unified link and content,ULC)。ULC算法能够有效分析社交网络中的用户行为信息,将其转化为用户相似度的度量表示,并结合网络拓扑结构来得到最终的社区发现结果。相比于传统仅仅使用图拓扑或仅使用节点内容信息的社区发现算法,ULC算法能够完整利用社交网络中的信息,有效提高了社区划分的准确度。并且ULC算法中的抽样步骤,减小了算法时间复杂度。在豆瓣电影社交网络数据集上的实验表明,相比其他几种已有算法,F-score值指标上均有所提升;相比其他融合内容和链接的社区发现算法,消耗时间有所减少。本文针对社交网络中的社区发现进行了深入研究,提出了一种综合考虑社交网络拓扑结构和网络中用户行为偏好来进行社区划分的算法,具体主要工作如下:1.多数传统基于图结构的社区发现算法都仅仅关注点与点之间的直接链接关系,但基于图的连通性,没有直接边相连的点之间也可能存在一定的联系。本文在处理图的拓扑结构时,借鉴随机游走的思想,使用邻域随机游走距离来衡量节点之间的紧密度。这种方法可以有效度量结点之间的间接关系,能够更加充分利用网络拓扑中蕴含的信息,所得结果更加科学合理。2.结合社交网络的异质信息特点,本文提出了一种评估用户关系强度的方法:分析基于用户显性关系的拓扑结构,得到用户节点紧密度;社交平台上用户行为带来用户与其他组件的连接,利用LDA主题模型和标签相结合的方式分析非用户组件信息,使用KL距离衡量基于用户行为偏好的用户相似度。二者加权求和来评估用户关系强度,为后续社区发现提供基础。3.根据融合链接和用户行为信息的用户关系强度,经过边抽样之后构成一个新的网络,该网络与原社交网络用户节点相同,但边较少。因此许多传统的社区发现算法可以应用于此框架,使得算法具有很强的灵活性,时间复杂度也较低。本文将使用一种充分考虑图节点之间交互影响的算法来进行社区划分。