关键节点在复杂网络中占据重要地位,对于网络的结构和功能起着十分重要的作用。针对不同的网络,关键节点起的作用也不尽相同。如本文主要研究的开发者网络,在该网络中,有影响力的开发人员和项目节点在推动软件开发效率与质量方面通常扮演着重要角色,并且著名开发者的研究动向以及成果能够更快被别人学习与模仿。虽然目前已有许多学者分别从不同的角度出发,针对节点识别工作提出相应的解决办法,但仍存在一定的不足之处。首先,现有工作的研究对象主要是单层网络和多层单部网络,但随着网络功能的日益丰富和信息收集能力的逐渐提高,网络类型也可用单层二部网络或多层二部网络等进行刻画;其次,很少有研究学者考虑到人类动力学中节点在时间上的持续交互行为对节点排名产生的影响。本文针对以上问题所做工作如下:（1）单一时间特征。人类动力学中,节点在时间上的交互行为主要表现出阵发性（Burstiness）、记忆性（Memory）两种特征。本文首先根据开发人员和项目这两类节点构造开发者-项目二部网络;然后将节点间的时间特征分别纳入到网络的拓扑结构中,并提出一种时间特征加权的二部网络模型（Temporal-Weighted Bipartite Network model,TWBN）;接着将该模型与基于迭代优化的节点排序算法Bi Rank相结合,针对阵发性、记忆性特征分别提出Burst Bi Rank和Memory Bi Rank算法;最后将这两种算法用于识别开发者网络中有影响力的开发人员和重要的项目节点。（2）时间特征融合。对于节点间多种时间特征的融合过程,本文首先根据Kendall相关系数寻求每种特征的最佳占比参数,并将融合的特征值转化为开发者与项目之间的连边权重;然后构造相应的特征融合加权的开发者-项目二部网络模型（Feature Fusion Weighted Developer-project Bipartite network model,FFWDB）,并将该模型与已有算法Bi Rank相结合,提出BMBi Rank（Burstiness-Memory Bi Rank）算法;最后将该算法用于识别网络中的关键节点,并与所有基准算法进行比较。（3）本文实验所用数据集均为在Git Hub上筛选出的真实数据。在此数据集的基础上,将所提算法和所有基准算法进行大量的对比实验,不仅验证了本文算法识别网络中关键节点的有效性和可靠性,同时证实阵发性比记忆性能更好地衡量节点的时间行为特征。