复杂信息网络的元素量级大,而且所包含的数据还呈现多样化、异质化等特征。随着科学技术的发展,很多实体之间的交互信息被记录。复杂网络的社区发现技术因在群体研究、智能推荐、信息传播控制等领域有广泛的应用,受到越来越多学者的关注。人们不再满足于简单的单关系图分析,更加感兴趣的是通过综合多关系网络的各项信息,得到更加符合现实情境的通过一系列复杂特征紧密联系在一起的群体。因此,本文针对具有异构、稀疏特性以及复杂拓扑结构的多关系网络展开研究,选取张量作为数据表征形式,以张量马尔可夫链概率估计模型为基础,提出一种改进的基于选择概率的种子社区发现算法。该算法的主要改进之处和创新点在于:针对初始种子节点的选择,本文提出一种基于链接相关性的节点紧密度评估算法,通过计算潜在核心节点的邻居节点间的局部网络拓扑重合程度,选出满足多层级紧密结构条件的核心节点作为种子,保证种子节点的中心性。针对种子的扩张策略,本文提出一种协同概率估计模型进行优化。以核心节点为初始种子,迭代产生多个紧密相关的种子节点,根据节点稳态访问概率最大值扩张生成多个子社区,利用基于协同概率估计的正态分布函数预估子社区内的所有节点隶属于目标社区的概率,剔除冗余并入的节点,保证社区扩张的准确性。最后,本文通过在真实多关系网络数据上与其他算法进行多评价标准对比实验,验证改进算法的有效性。实验表明,所提出的改进方案能够显著提高种子社区发现算法的划分精度和鲁棒性。