信息技术的高速发展使人类社会大步迈入了网络时代，既有人们日常生活离不开的大型电力网络和交通网络，更有用于获取知识信息的 Internet 网络，万维网以及科研合作网络，人们已经生活在一个充满着各种各样的复杂网络的世界中[1]。联网上存在着大量 Web 服务，这些服务通过用户的需求的交互连接，形成了一个复杂的交互网络，发现并利用这些交互网络上的社团结构有助于理解这类复杂软件系统的行为，促进在网络中开展信息分享、商品推荐、广告投放等个性化商业应用[2]。复杂网络是复杂系统的典型表现形式,社区结构是复杂网络最重要的结构特征之一[3]。其中社团结构的特点是同一个社团内部节点之间连接紧密，不同社团之间连接松散[4]。把握住社团结构未来发展方向和潜在的应用价值，让各种网络机制更好地为我们服务[5]。对此，我们就需要对各种关于社团结构的数据挖掘算法进行分析并设计，找到各个网络最匹配且效率最高的解决方案。

社团结构作为真实复杂网络所普遍具有的一个重要拓扑特性，在最近 10 年内得到了广泛而深入的研究[6]。根据不同的标准,这些算法可以被分成不同的种类。 经典社团发现算法主要有两大类，一类是计算机学中的图形分割，另一类是社会学中的分层聚类[7]。社会学中的分级聚类是基于节点之间的相似性[8]，把网络划分为不同社团。该算法又可以分为两类:凝聚算法(Agglomerative Method)和分裂方法(Divisive Method)[9]。传统社团检测方法基于网络拓扑结构的统计特性建模进行分析与挖掘，研究人员通常假设得到的社团能够表示具有相似特性或功能的节点集合, 当前，一些研究已经证实了这个假设下得到的社团与网络中元数据代表的团组是有区别的[10]。所以，许多研究人员期望能够结合其他信息进行社团检测，以发现网络中的真实社团结构。Liu 等人[11]根据 Newman 提出的算法[12]存在的主要问题，提出了基于网络拓扑与节点元数据的社团检测算法。Lou 等人[13]通过共同邻居对节点相似度进行计算，然后在此基础上使用标签传播算法进行划分。Yuan 等人[14]提出了一种基于簇相似度的复杂网络社团划分算法，该算法主要用于检测边密度较高的复杂网络中的社团结构。Hu 等人提出了在复杂网络中利用信号传播将网络中的节点转化成代数空间上的数据对象的方法[15]。王兴元等人[16]在共同邻居的基础上研究出了节点依赖度，并依据节点依赖度对社团进行划分。本文主要是在这些研究的基础上，对网络中观结构(主要为社团结构) 的挖掘算法进行比较分析以及设计。
总体来说，国内外学者在社区结构数据挖掘的研究中，收获颇丰。其中国内在此领域的研究方向集中在数据挖掘分析算法的改善和创新里。国内外对社区发现的研究，积极拓展了数据挖掘理论的研究范围，并对于促进社区发现的应用与实践提供了宝贵的前提条件。