在复杂网络中,将节点分成组,组内各节点联系十分紧密,组间各节点联系比较稀疏,这种特性称为复杂网络的社区结构。在大数据时代,准确发现社区结构,特别是在大规模网络中准确发现社区结构是目前复杂网络社区发现研究领域的一个重要问题。本文基于非负对称矩阵分解方法和标签扩散方法,研究复杂网络的社区发现算法,提出一种节点影响力度量方法,并利用节点影响力,解决标签扩散算法的标签选择随机性问题。节点影响力度量方法包括节点相似度度量和节点重要性度量。利用非负对称矩阵分解可以获取节点的隐因子特征向量,可以计算节点间的相似度。节点重要性由节点关联的邻居节点的数目度量。本文利用节点影响力,即基于节点相似度度量和节点重要性相结合的加权方式,提出基于非负对称矩阵分解加权的标签扩散社区发现算法(MFWLP)。在MFWLP的基础上,引入节点标签库提出基于非负对称矩阵分解加权的重叠标签扩散社区发现算法(OMFWLP)。本文提出的基于非负对称矩阵分解的非重叠社区发现算法(MFWLP)和重叠社区发现算法(OMFWLP)算法可在Hadoop分布式平台,采用Map-Reduce模型并行化实现。本文在多个真实网络和人工合成网络上进行了实验。实验结果表明,MFWLP能够更准确地发现非重叠社区结构,极大提高标签扩散的稳定性;OMFWLP也能够更准确地发现重叠社区结构。基于Hadoop并行化的MFWLP和OMFWLP能够有效的对大规模网络进行社区发现。