社区结构是社交网络的重要特征,它是指网络中同一社区内部的节点连接紧密,不同社区间的节点连接疏松。社交网络的社区结构具有层次性,即:大的社区内嵌套着若干小社区。挖掘社交网络中的层次化结构,对于理解社交网络的组织结构和系统功能具有非常重要的意义。层次社区划分方法可以分为凝聚式和分裂式,其中凝聚式凭其优良特性取得了较为广泛的应用。现有的凝聚式社区发现算法往往存在以下问题:(1)将网络中的每个节点当作初始社区,生成的层次树状图复杂,不利于理解和分析;(2)难以同时保证算法的高效性和准确性。基于此,本文从拓扑势和最小生成树两个角度研究社交网络的层次化结构,主要内容包括:(1)提出一种融合拓扑势的层次化社区发现算法。该算法首先搜索网络中的局部极大势值点,根据极大势值点进行初始社区划分,然后依据极大势值点间的距离对初始社区进行迭代合并,大大减少了合并次数,使得生成的层次树状图简单。在真实网络和LFR人工网络上实验表明,该方法在保证算法效率的同时,保证了社区划分的准确性。(2)提出一种基于最小生成树的层次化社区发现算法。该算法根据相邻节点间的连接强度构造微社区,迭代合并微社区并构造最小生成树,在构造最小生成树的过程中揭示网络的层次化结构并生成对应的层次树状图。真实网络和人工网络上的实验结果表明,该算法生成的层次树状图简单,能够在线性的时间内完成社区划分且准确性较高。