网络已经成为描述复杂系统对象之间交互关系的重要方法,而研究网络结构与动态特性的关键就是发现网络中的社区结构。现有的社区发现算法很少能兼顾社区的重叠性与层次性。Link Community方法将社区的成员由点转化为边,虽然揭示了社区的层次、重叠属性,但是也存在社区发现准确性低和重叠节点发现能力较弱等缺陷。因此,对Link Community方法的改进研究具有较为重要的实际意义。针对Link Community方法社区发现准确性低和重叠节点发现能力较弱等缺陷,本文提出了两种融合key-stone节点影响力的边相似度定义方法——Inte-K和Plus-K边相似度,并对传统的single-linkage层次聚类方法的社区合并加入了共同邻居的限制条件,称为带有“见证者”的层次聚类。通过调整LFR模型的参数合成不同属性与特征的网络,然后与传统的Link Community方法做了对比试验,结果表明本文的改进算法可以平衡几种社区指标的性能,达到较好的社区发现效果,有效地改善了该方法的性能并保留了简单、易于实现的优势,使得Link Community方法更具有实际应用价值。针对二部图的重叠社区发现问题,本文提出了一种基于边聚类的社区发现方法。首先定义了二部图中边的相似度,包括惩罚key-stone节点流行度的边相似度和惩罚所有节点流行度的边相似度。然后基于上述定义相似度对边进行层次聚类,得到的聚类树图展示了二部图的重叠与层次社区结构。人工合成数据和真实数据上的测试结果表明:该方法能有效地解决二部图的重叠社区发现问题,并且具有发现社区层次结构的优势,使得二部图的社区发现也能兼顾社区的重叠性。