在线社交网络已经成为人们彼此联系、获取信息的重要工具。根据邓巴数理论,同一时间,人们只能维护一定规模的社群关系,由于社交网络中的信息轰炸,很容易造成信息过载问题。通过划分社区,能够对社交网络中的人员、信息进行筛选,起到信息过滤的作用。此外作为社交网络中的基础研究问题,社区发现算法在信息传播模型、用户影响力研究、热点挖掘以及个性化推荐中有重要意义。研究表明,相较于全局网络,以某个用户为中心的个人网络社区属性更加明显,因此具有更高的研究价值。本文从个人网络的角度出发,在融合用户文本主题特征与网络结构特征以及加快圈子发现算法收敛速度等方面对个人网络圈子发现算法中存在的问题进行研究。通过引入用户文本主题特性与网络结构特性的定量评价方式,重新定义优化目标函数,采用优化方法完成个人网络的圈子发现过程,得到包含有社交语义的圈子划分方案,提高圈子发现算法运行效率,加快算法收敛速度。以下是本文的主要研究成果:1.针对圈子发现算法对社交网络的划分结果不准确、缺乏现实意义的问题,通过引入用户文本主题特征,设计了基于信息熵的个人网络圈子发现算法。从用户产生的微博文本出发,对用户文本进行主题提取,使用信息熵来衡量个人网络中每个圈子的主题倾向,设计融合了用户文本主题信息与网络结构信息的优化目标函数,实现优化方法获取针对某个用户个人网络的圈子划分方案。2.针对较大规模网络圈子发现算法运行效率低的问题,利用节点相似度函数代替网络结构优化目标函数,设计了基于graph2vec的个人网络圈子发现算法。利用graph2vec获取个人网络中各个节点的图向量,定义节点间相似度函数,设计基于图向量的优化目标函数完成圈子发现过程,避免了结构优化目标函数时间复杂度随个人网络规模扩大而激增的问题,提高算法运行效率。3.针对较大规模网络圈子发现算法收敛速率慢的问题,通过改进遗传算法实现满足重叠圈子划分要求的圈子发现算法。设计了新的染色体编码方案,优化了遗传算法的随机初始化过程,在遗传变异过程中加入对最优个体的局部搜索过程,加快算法的收敛速度。本文基于真实的新浪微博数据集进行了个人网络圈子发现算法的实验与验证。实验表明,基于信息熵的个人网络圈子发现算法能够有效的挖掘出即符合社区结构定义又具有高度主题聚合性的主题圈子,得到具有明显社交语义的圈子划分结果;基于graph2vec的个人网络圈子发现算法在保证圈子划分方案质量的同时,进一步提高了算法的运行效率,能够高效稳定的完成个人网络圈子发现任务。