网络社区结构是复杂网络的一个显著特征,社区发现能够帮助人们探索网络的功能结构和动力学特性,并基于此开展典型应用研究。已有的大多数社区发现算法倾向于将网络划分为完全分离的社区结构,然而由于节点属性的多样性,现实世界网络的社区之间可能存在重叠部分。重叠社区不仅真实地反映了网络的拓扑结构,而且在社区的交互中起着非同寻常的作用。边社区划分是社区发现中的一种逆向思维,其新颖的视角在重叠社区发现研究中独树一帜,但存在效率低和准确度不高等缺点。为了充分利用已有的非重叠社区发现算法,本文提出了真实边驱动的网络重叠社区发现算法框架。该算法框架首次提出了“true-link”图的概念,并对原网络图进行预处理;选择一种非重叠社区发现算法对“true-link”图的边图进行硬划分得边社区;还原边社区为节点社区得到社区划分结果。在此基础上提出了真实边驱动的LPA网络重叠社区发现算法,在karate网络上的实验结果表明,该算法可以有效地挖掘网络的重叠社区结构。社区发现是一个聚类问题。本文结合信号传递算法和真实边图框架,提出了一种基于真实边图框架的信号传递网络重叠社区发现算法(TLCCD)。算法将信号传递算法和单边层次聚类算法应用到真实边图框架中;在边社区还原到节点社区的过程中,对相似度达到某阈值的社区进行合并操作;迭代计算直到最大化网络社区结构的模块度。在7个真实网络和两组计算机合成网络上进行仿真实验,实验结果表明,该算法一定程度克服了边划分的重叠社区发现算法划分出冗余重叠社区的不足,通常能够获得准确度较高的社区划分结果。本文的研究工作在社区发现领域还处于探索性阶段,提出的真实边驱动的算法框架和基于真实边图框架的信号传递算法,对重叠社区发现算法研究具有一定的促进作用。