1、近年來，在全球信息化大潮的推動下，社會網(wǎng)絡得到快速發(fā)展，各種不同的社會網(wǎng)絡都表現(xiàn)出一種強的社團效應。一個網(wǎng)路中的成員趨于形成密切聯(lián)系的社團。在不同的應用下，這些社團也被稱為模塊，簇等?？傮w上，社團內(nèi)部聯(lián)系緊密，社團外部聯(lián)系稀疏。如何快速、準確的發(fā)現(xiàn)網(wǎng)絡中的社團（即社團發(fā)現(xiàn)）仍然是一個關鍵問題。
　　從是否考慮數(shù)據(jù)的不確定性，社團發(fā)現(xiàn)可分為確定社團發(fā)現(xiàn)和不確定社團發(fā)現(xiàn)。很多傳統(tǒng)確定社團發(fā)現(xiàn)算法都依據(jù)全局信息進行社團發(fā)現(xiàn)，算法效率不高

2、，并且沒有考慮到數(shù)據(jù)的不確定性。然而在現(xiàn)實應用中，網(wǎng)絡中的數(shù)據(jù)往往存在其內(nèi)生的不確定性，網(wǎng)絡中數(shù)據(jù)存在殘缺現(xiàn)象、數(shù)據(jù)以一定概率存在等，這里稱為不確定網(wǎng)絡。從不確定網(wǎng)絡中進行社團發(fā)現(xiàn)的算法稱為不確定社團發(fā)現(xiàn)算法。本文充分考慮了確定網(wǎng)絡和不確定網(wǎng)絡，結合社團局部特征和數(shù)據(jù)本身特點，對社團發(fā)現(xiàn)算法進行了深入研究。
　　本文主要工作及創(chuàng)新點如下：
　?。?）對LFM（Largest Fitness Measure）算法進行改進。深入

3、分析了局部社團發(fā)現(xiàn)算法LFM算法以及勢能模型，在此基礎上提出了LFM算法的改進算法—WLFM算法。該算法利用勢能的思想對LFM算法中隨機選取初始節(jié)點、劃分準確性較低、算法結束條件難以達到等問題進行改進，最后通過兩組實驗驗證了該算法具有良好的準確性和較高的效率。
　?。?）對EM（Expectation Maximization）算法進行改進。首先對高斯混合模型的EM算法進行詳細介紹，接著對此算法進行優(yōu)化。利用勢能的方法對高斯混合模

4、型的EM算法進行初始化，得到優(yōu)化的初始值。通過兩組實驗證明新的算法具有較低的錯誤率。
　　（3）提出不確定相對K緊密子圖發(fā)現(xiàn)算法。研究發(fā)現(xiàn)，尋找前K個最緊密子圖具有較高的復雜性。本文研究了從不確定圖中發(fā)現(xiàn)存在概率較高的前 K個緊密子圖問題，提出了不確定相對 K緊密子圖發(fā)現(xiàn)算法。在算法中，由不確定圖的連通指數(shù)確定閾值，接著根據(jù)閾值計算子圖的存在概率，最終得到存在概率較高的前 K個緊密子圖。最后，通過若干組實驗，驗證了此算法可以高效、