（平顶山学院计算机学院，平顶山467000）

1 引言

自然界与现实世界中的许多系统都可以用由节点和边组成的网络抽象地来表示，如社会关系网、流行病传播网、蛋白质交互网、Internet网络等，这些网络因其具有高复杂性被称为“复杂网络”。复杂网络通常具有小世界效应和无标度特性这两个统计特性。其中，“小世界效应”是指复杂网络具有短路径长度和高聚类系数的特点[1]；“无标度特性”则是指复杂网络中的结点的度服从幂率分布特征[2]。“社团结构”是复杂网络的一种重要结构特性，指的是社团中的点相互连接紧密，而这些点同社团外的点连接较为松散[3]。社团的发现和划分对于分析网络的组织结构、功能划分和成员关系等有着重要的理论意义和实际价值。

近年来，随着社团结构研究不断深入，社团挖掘算法被主要分为全局社团挖掘算法和局部社团挖掘算法。全局社团挖掘算法基于全网信息进行分析，如谱聚类算法[4]、GN 算法[5]、快速 Newman 算法[6]，但目前复杂网络的规模愈来愈大、动态性愈来愈强，导致算法的普适性、复杂度和效率等有待改进。局部社团挖掘算法基于网络的局部信息进行挖掘，如Clauset等提出的基于局部模块度R（R是社团内部总边数与社团内外边数之和的比值）的算法，它是通过最大化局部模块度增量来进行局部社团搜索[7]；Luo等提出的另一种评价局部模块度的指标M（M是社团内部总边数与社团外部节点和边界节点连边数之比）的算法[8]，其中，局部社团的规模、初始节点的位置等均会影响到社团最终的划分结果。……