实际中的网络一般不是均匀的、也不是杂乱无章的，而通常是有组织性和层次性的，用专业术语来说就是具有社群结构。社群挖掘就是对这种网络进行聚类，以找出网络中那些内部连接较紧密而相互之间连接较稀疏的社群。社群中的成员通常具有某些共性，发掘它们有助于较容易、更深刻地了解这种网络系统。　　已有许多传统聚类算法被用于社群挖掘，比如层次聚类、k-均值聚类、谱聚类和图切分。但是这些方法在处理上述那种网络的时候存在不少局限性，比如需要事先指定社群数目、需要基于距离空间、没有社群质量的量化标准等，因而不太适合于社群挖掘。　　基于模块性最优化的FN算法一定程度上克服了传统算法的局限性，但是它只适用于无权网络。本文从加权图转换为多重图这个视角，将FN算法的适用范围从无权网络扩展到了加权网络，得到了WFN算法。　　本文设计了数据模拟实验多角度考察了WFN算法在加权网络权重的不同分布下的表现，结果表明:①在社群内权重都相等、社群间权重都相等但不大于前者的情况下，WFN算法的效果随着两种权重差值的增大而提高;②在正态分布权重下，社群内与社群间的权重分布均值差异较大或者社群间的权重分布标准差较小时，WFN算法表现较好，反之较差;③在幂律分布权重下，WFN算法表现很好，分布参数的变化对其影响不大;④传统的层次聚类算法在已知社群数目的条件下，效果有时较好，但不够稳定。　　在实证分析中，WFN算法从中文统计核心期刊合著关系网络数据中挖掘出了有意义的社群结构，它们一定程度上揭示了不同的研究机构、领域或者学者之间相互沟通与合作的复杂关系。