关键词： 科技股   复杂网络   社团检测   中美贸易摩擦  

摘要： 随着全球经济一体化,各国的股市、经济都紧密联系,一旦发生贸易战,便会对全球各国的方方面面造成一定的冲击。2018年3月23日,美国总统特朗普在白宫签署对华贸易备忘录,其中包含了对中国进出口的加收征税,这一举动正式挑起了中美双方贸易战,此后便是一段长期持续的贸易摩擦,再到后面的舆论战、科技战等等,对我国经济发展、科技创新都造成了不小的影响。股市能够较好的反映一个国家的经济,准确评估贸易战甚至是科技战对我国产生的影响十分重要。本文以中美贸易摩擦为视角,从科技股票市场入手,分阶段构建我国科技股票网络,并从多方面探讨了中美贸易摩擦对我国科技创新企业的影响。首先,根据中美贸易摩擦发生的全过程,将其分为三个阶段,利用科技100的成分股每日的收盘价计算其皮尔森相关系数矩阵,基于阈值法构建三个不同阶段的科技股票网络;然后,分别从局部和全局角度,采用度分布、网络的聚类系数、平均路径长度、网络的同配性系数、网络的核数以及网络中心性等统计特征对其不同阶段的科技股票网络进行差异性分析,探究我国科技股票网络在持续贸易战下的具体变化;最后,根据建立的三个不同阶段的科技股票网络,对其进行社团检测分析,以中观的视角来理解整个科技股票网络中节点间的连接关系以及整个网络的社团结构。本文研究表明美国单方面发动的贸易战的确对我国科技创新企业造成了较强的影响,主要有以下方面:第一,基于阈值法构建的我国科技股票网络,在长期的中美贸易摩擦影响下,网络中各节点之间的连接逐渐稀疏,孤立节点逐渐增多,风险传染程度逐渐减小,说明我国科技创新类企业由先前的密集商业往来逐渐趋向于独立,中心节点遭受攻击时,对其他节点造成的影响减小。第二,从度分布以及网络中心性来看,尽管中心节点随着中美贸易摩擦的不同阶段在发生变化,但是整个科技股票网络是围绕着电子通讯来进行运转的。从全局特征来看,网络的积聚程度逐渐减小,节点间信息传递的速度和效率减慢,度大的节点倾向于与度大的节点连接,整个网络的稳定性逐渐增强。第三,随着中美贸易摩擦的推进,基于凝聚算法构建的科技股票网络的社团结构逐渐清晰明显,层次也更加明朗,稳健性逐渐增强,其中微电子企业呈现出较强的社团结构。基于派系过滤算法构建的最大的4-派系社团越来越小,社团结构也越来越紧凑,社团内的节点大多为电子科技类企业。

关键词： 复杂网络分析   社团检测   社团隐藏   频繁项集   粗糙集理论  

摘要： 互联网和社交媒体激发了对社交网络分析的巨大兴趣,社团检测已经成为社交网络挖掘的重点领域之一,具有十分重要的研究意义。算法和工具不断被开发来分析我们的个人关系、社团关系,这在帮助我们研究群体之间相互作用、预测复杂系统的隐含关系的同时,也引发了隐私问题。因此,在本文中我们对社团检测和社团隐藏问题进行了研究,提出了一种基于粗糙集理论挖掘频繁项集的社团检测算法FIR(Detect Community by mining Frequent Itemsets based on Rough set theory),以及基于遗传策略的社团隐藏算法GCH(Community Hiding algorithm based on Genetic strategy)。(1)基于粗糙集理论挖掘频繁项集的社团检测算法FIR。该算法首先应用多次随机游走获得节点序列组;然后,在粗糙集理论的指导下,我们通过挖掘节点序列组中下近似区域的频繁项集来构成初始社团;最后,网络中还有一些社团归属较弱的边缘节点没有进入任何初始社团,为了确定这些剩余节点的归属,我们设计出基于模块度划分的FIR–M和基于归属度划分的FIR–A两种策略,来完成社团的划分。我们在一些真实网络和合成网络上展开了实验,并与一些广泛使用的社团检测算法的检测结果进行了对比。实验结果证明,FIR可以有效地获得高质量的社团结构,其结果明显优于对比算法的结果。(2)基于遗传策略的社团隐藏算法GCH。该算法基于遗传算法框架,通过调整外来社团的社团归属以及与初始网络的连边,将外来社团隐藏进原始网络,从而使社团检测算法无法将外来社团成员识别在同一个社团中,即社团检测算法对外来社团的检测失效。GCH采用归属矩阵和邻接矩阵共同编码,首先,初始化外来社团与原始网络的连接,生成P个新的网络(个体);然后,在P个网络上迭代地进行交叉、变异操作,并构建安全分数S和预算分数B作为适应度函数来评估个体的质量,迭代结束后,我们使用NSGA-Ⅱ算法选择第一前沿的帕累托最优解,作为外来社团隐藏进原始网络的最终网络结构;最后,我们在得到的网络结构上执行社团检测算法,使用隐藏分数H来评估外来社团的隐藏效果。实验证明,GCH可以有效地隐藏外来社团,使社团检测算法对外来社团的检测失效,但FIR却相对其他社团检测算法有较高的检测性能。

关键词： 图像分割   运动目标检测   复杂网络   社团检测   标签传播   背景差分  

摘要： 图像分割与运动目标检测一直是图像分析与计算机视觉领域中的重要研究内容,在生物医学、自动驾驶、智能监控等领域应用广泛。近年来,随着复杂网络的蓬勃发展,复杂网络中的社团结构逐渐受到研究人员的密切关注。目前,许多优秀的社团检测算法被提出,其中标签传播算法因其近似线性的时间复杂度被许多学者使用与研究。本文对标签传播算法进行改进,并使用改进后的标签传播算法对图像分割及运动目标检测进行研究,主要研究内容如下。 (1)标签传播算法在节点排序和节点更新阶段存在多个随机选择的过程,导致划分的社团结构不稳定,且算法不适用于图像网络。为此本文提出一种基于颜色特征的标签传播算法—CFLPA算法,以超像素区域为节点,构建无权图像网络,根据图像网络节点的颜色特征对节点进行排序,将节点之间的颜色特征相似性作为节点标签更新的依据,实现对图像网络的社团划分。CFLPA算法不仅能划分出稳定的社团结构,而且也能有效地处理图像网络。 (2)提出了一种基于网络标签传播的图像分割算法—NLPAIS算法。应用CFLPA算法对图像网络进行社团划分,在划分的基础上建立加权图像网络,采用所提出的基于权重与节点度的标签传播算法获得加权图像网络的社团结构,达到图像分割的目的。NLPAIS算法与其他应用复杂网络理论对图像分割的算法相比,分割精度有较大的提升,分割轮廓也更加完整。 (3)提出了一种结合复杂网络与背景差分的运动目标检测算法—CNBS算法。以像素点或同像素的连通区域为节点,对视频帧的R、G、B通道分别构建图像网络。使用CFLPA算法对图像网络进行社团划分,利用或操作将划分的社团融合,得到视频帧的预分割结果。将预分割结果作用于视频帧及其相邻两帧,构建三个帧内属性网络,通过节点的属性变化确定候选运动目标区域,对候选运动目标区域进行局部背景差分确定运动目标。实验结果表明CNBS算法可以有效地消除鬼影及噪声现象,和8个优秀的运动目标检测算法相比,评价指标也有明显优势。

关键词： 图表示学习   图神经网络   半监督节点分类   社团检测  

摘要： 图结构数据在我们生活中广泛存在,现实世界中很多关系数据都可以用图表示,如各类学科文献之间的引文网络、社交软件里的社交网络、城市之间的交通网络、知识图谱等。由于图数据结构复杂、特征数据量庞大,使得传统的机器学习算法和常规神经网络无法很好地处理这类数据。为了更好地挖掘图结构数据的特性与关系,图表示学习是一种有效的方法,这类算法的主要思想是将图的高维结构数据或特征属性数据嵌入到一个低维空间中,得到图或图中节点的低维向量表示,这样能够在保持网络的原始结构和特征属性的同时方便下游任务使用。图神经网络是一种深度学习与图表示学习相结合的、基于图结构数据的神经网络,在学习与研究图神经网络理论及相关算法后,本文提出了基于多属性的图神经网络算法,并将其应用于社团检测任务中。本文的研究工作与贡献如下:(1)基于多属性的图神经网络(MAGNN,Multi-Attribute Graph Neural Network):在研究过程中发现,很多基于MPNN(Message Passing Neural Network,消息传递神经网络)框架的图神经网络算法,在其邻居聚合(Neighborhood Aggregation)的过程中,只使用网络的一种属性构造聚合函数得到节点的向量表示。在此基础上,我们提出了基于多属性的图神经网络算法MAGNN,该算法以节点的度、节点的邻居和节点的自身属性这三种网络的属性构造聚合函数,使节点嵌入到低维空间时,可以保持原始图中更多的信息。然后我们将MAGNN算法应用于节点分类任务中,以优化训练集中节点的预测标签与真实标签之间的误差为目标,通过所设计的图神经网络训练得到网络中所有节点的向量表示和预测标签,并使用相关评价指标评估该算法的性能。另外,我们还提出了一种扩充训练集的方法,用来提高MAGNN算法该任务中的性能。最后为了验证效果,对于基于多属性的图神经网络算法MAGNN,将其应用于节点分类任务进行实验,并使用相关指标评估该算法的性能,将其实验结果与其他图神经网络算法进行比较。实验结果表明了所提出的多属性图神经网络算法及扩充数据集方法的有效性。(2)基于多属性图神经网络的社团检测算法MAGNN-CD(Multi-Attribute Graph Neural Network for Community Detection):将基于多属性的图神经网络算法应用于社团检测任务,提出了MAGNN-CD算法。该算法首先以网络中的每个节点为起始点进行随机游走,然后根据游走序列中节点出现的次数构建节点的特征;接着使用K-Means++将网络划分为若干的簇,计算簇中节点到该簇的簇中心的距离,选取指定数量距离簇中心较近的节点及其簇标签作为训练集;通过上述两个步骤,将社团检测任务转换为半监督的节点分类任务,然后以优化训练集中节点的预测标签与其簇标签之间的误差为目标,通过MAGNN算法训练得到图中所有节点的向量表示和预测标签,将拥有相同预测标签的节点作为一个社团,即可得到网络的社团划分结构。最后将其在多个网络数据集上进行社团检测实验,并将其结果与传统的社团检测算法进行比较。实验结果表明,所提出两种算法在各自任务中的表现整体优于其他对比算法。

关键词： 属性网络   社团检测   半监督聚类   主动学习  

摘要： 属性网络是一类特殊的复杂网络,能为数据分析人员提供网络的拓扑结构信息和研究对象的属性信息,以便于挖掘潜藏在网络中的系统底层逻辑。社团结构是属性网络的重要模式,能聚类网络中不同性质的节点,优化网络的资源配置,为发现复杂网络的底层逻辑提供重要察觉。属性网路聚类算法旨在利用网络分析与数学建模的方法,从属性网络中提取社团结构,挖掘复杂系统的潜在特征。针对属性网络聚类算法,本文设计了两种不同的机器学习模型,分别为属性网络聚类算法中的异质性问题和信息缺失问题提出了相应的解决方案,文章的主要思想和贡献可概括如下: (1)基于动态探索节点属性和拓扑结构的聚类算法。属性网络聚类算法一般利用网络的节点属性和拓扑结构学习每一个节点的特征信息,进而对网络中的社团结构进行提取。但因节点属性和拓扑结构对于网络刻画方式的不同,二者的数据形式存在着较强的异质性。为此,本文基于动态探索节点属性和拓扑结构的策略,在节点特征学习的过程中,动态地对节点属性和拓扑结构之间的关系进行探究,并对属性网络中潜在的社团结构进行提取。 (2)基于半监督学习的属性网络聚类算法。传统的聚类算法属于无监督学习算法,不需要先验信息辅助聚类,但同时限制了算法准确性的提升。半监督聚类算法在传统聚类算法的基础上,利用少量的先验信息提升聚类算法的准确性。基于半监督学习的属性网络聚类算法结合半监督聚类和属性子图更新方法,成功在使用极少量标签信息的前提下,显著提升了属性网络聚类算法的准确性。 综合考虑多个真实属性网络的实验结果,以上两个工作的准确性显著高于同类对比算法。以标准互信息为参考指标,二者性能的提升分别为16.3%和20.1%。这一现象,说明本次工作除理论创新之外,也有极高的实际生产价值。更为重要的是,它与本文的预期结果相符,验证了本论文设计思想的合理性,为属性网络聚类算法指明

关键词： 动态加权国际贸易网络   动态社团检测   时序链路预测   节点重要性识别  

摘要： 国际贸易网络可以用来衡量国家的经济实力,具有复杂性和动态性的特点。准确地对动态加权国际贸易网络进行社团检测能够找到更为紧密的区域性贸易合作组织,对于各国制定相应的贸易政策和未来的发展计划具有指导意义。目前,如何提高动态加权国际贸易网络社团检测的精度有待进一步研究。本学位论文研究动态加权国际贸易网络的节点重要性排序和有向边权重预测,进而对动态加权国际贸易网络的社团检测进行研究。主要研究内容和成果如下:为了提高动态加权国际贸易网络中节点重要性识别精度,建立了加权国际贸易网络,提出了基于指数时序聚合模型的加权主分量中心性算法(WPCC-ETSAM)。选定UNCTAD数据库,将国家之间的贸易额作为加权国际贸易网络中连边的权重。在加权主分量中心性算法的基础上,WPCC-ETSAM算法通过引入指数时序聚合模型对动态加权国际贸易网络的节点重要性进行识别。经过实验对比,WPCCETSAM算法相比于三种经典算法在动态加权国际贸易网络节点重要性识别的准确性方面表现出很大的优越性。为了提高动态加权国际贸易网络中有向边权重预测精度,构建了基于图神经网络的时序链路预测模型,并基于该模型提出了有向边权重预测算法(DEWPATLPM)。通过在以生成对抗网络、长短期记忆网络和图卷积网络为基础的时序链路预测模型中引入矩阵分解变换模块对动态加权国际贸易网络中有向边进行权重预测。DEWPA-TLPM算法通过引入重构损失函数提高动态加权国际贸易网络中有向边的权重预测精度。实验结果表明,DEWPA-TLPM算法对动态加权国际贸易网络有向边权重的预测准确度比四种经典算法表现的更佳。为了提高动态加权国际贸易网络中社团结构的检测精度,提出了基于节点重要性和链路预测的多目标动态社团检测算法(MDCDA-NILP)。MDCDA-NILP算法采用基于节点重要性的标签传播策略对动态加权国际贸易网络的社团结构进行初始化,进而采用多目标动态社团检测策略对动态加权国际贸易网络的社团结构进行检测。经过实验对比,MDCDA-NILP算法对动态加权国际贸易网络中社团结构的检测精度比三种经典算法表现的更优。

关键词： 欺诈检测   异常检测   复杂网络   社团检测   信用卡交易  

摘要： 通信技术、数字技术、电子信息技术在社会与经济的发展下已经到了一个新的阶段,创造出了一个具有高度联系性的世界。人们在社交网络上进行通信、浏览、交易等产生了大量的数据。由于社交网络的开放性,这些数据能够轻易的被其他用户所获取,这就受到了一些恶意用户的关注,将这些数据当作发布错误信息、进行恶作剧和犯罪的平台。我国自改革开放以来,电子信息技术逐渐在金融领域占有自己的一席之地,尤其是信用卡业务,它正在渐渐的成为大众普遍使用的非现金支付工具。与此同时,一些恶意或非法用户趁虚而入,使用各种各样的欺诈手段进行欺诈活动,致使我国的欺诈交易的数量不断地增长,金融机构每年都面临巨大的经济损失。因此,如何检测信用卡欺诈已成为金融欺诈检测领域的研究趋势。 本文首先对选题的相关背景与意义进行了阐述,同时介绍了有关信用卡欺诈检测、复杂网络社团检测以及基于复杂网络的图的异常检测的研究现状与发展。之后阐述了所使用的复杂网络社团检测的相关理论知识。为了检测信用卡欺诈带来的巨大经济损失,识别出这些恶意或非法用户,及时制止信用卡欺诈行为,在阅读了大量的信用卡欺诈检测和复杂网络社团检测的相关文献之后,提出了一个基于网络节点向量标签率的社团检测算法(NVP),该算法首先基于每个节点的NGC节点来找到社团的中心,然后利用节点向量标签率将中心的标签传播到其他节点,最后基于社团结构划分质量评估指标标准化互信息NMI,分别在四个真实世界网络和8个计算机生成网络上对所提出的NVP算法进行了评估。通过与其他四种社团检测算法进行对比,发现本文提出的NVP算法在精度上有更好的表现。 其次,本文在公开信用卡交易数据集的基础上,通过阈值法,构建出信用卡交易网络。利用所提出的基于网络节点向量标签率的社团检测算法(NVP)对构造出的信用卡交易网络进行社团划分,通过与其他四种社团检测算法的模块度值进行对比,发现本文所提出算法对信用卡交易网络的划分结果最优。 最后,定义了一个异常分数值的概念来发现候选欺诈交易,与真实结果进行对比,通过混淆矩阵得出F分数值验证所提NVP算法在信用卡欺诈检测方面的准确性。

关键词： 社团检测   图神经网络   图嵌入   聚类   标签传播  

摘要： 图神经网络与图嵌入是近年来兴起的深度学习模型,凭借自身强大的归纳能力在复杂网络的各种任务中展现出巨大优势。图神经网络能够归纳网络内容,发掘网络结构中的隐藏信息。图嵌入方法将网络中的节点转化为具有节点信息的表示向量,方便一些深度学习模型处理图数据。为了更好地解决社团检测问题,本文提出了两种基于图嵌入与深度学习的社团检测算法,用以在无属性或有属性信息的网络上分别解决非重叠与重叠社团检测问题。本文的主要内容如下: (1)基于空域卷积网络的社团检测算法CDSCN。算法首先利用图嵌入方法得到网络中节点的向量表示,再利用空域图卷积网络GraphSAGE调整节点表示向量,以局部模块度为依据重新定义了GraphSAGE的二次采样过程,使分属不同社团的节点的表示向量相互区分,同时保证了相邻节点表示向量的相似性,最后使用Birch聚类算法对节点进行聚类,聚类结果即为社团划分结果。 (2)基于直推式传播网络的重叠社团检测算法OCDTPN。算法采用了小样本学习的思想,利用图嵌入结果或网络自带的属性信息建立传播模型,解决重叠社团检测问题。算法首先选择一些在原始网络当中具有局部最大度的节点作为社团核心,在传播网络中作为传播源头。随后分批次建立以节点向量高斯相似性为传播依据的标签传播网络。接着通过社团核心节点的原始标签与预测标签的误差修正传播模型,算法通过分批传播预测归属概率的方法找到网络中所有节点的重叠社团归属。 与对比算法在真实网络和人工网络上进行实验,结果表明了本文提出的算法具有良好的社团划分性能。本文还将两种算法应用于世界中亚研究英文文献的信息发掘任务中,在文献分类和学术社群划分任务中取得不错效果,为课题研究提供了重要参考。

关键词： 社团检测   k核   加权图   紧密子图   贪婪策略  

摘要： 紧密子图查询作为图查询的研究热点之一,在很多领域都有着重要的应用。现有的研究中已有许多紧密子图查询方法,如基于模块度优化的算法、谱方法、非负矩阵分解等。对于紧密子图的定义也有多种,常见的有k架（k-truss）、k团（k-clique）、k核（k-core）等。其中k核的定义要求图中每个节点至少有k个邻接节点,即每个节点的度至少为k。根据该定义,k核可以在线性时间复杂度内计算得到,具有较好的应用基础,已在许多方面有所研究与应用。由于k核只考虑图中节点和边的关系,据此得到的仅是一个边稠密的子图。但在很多场景下的图数据还会包括更多其它属性,若在查询紧密子图时不考虑这些属性则所得到的结果缺乏实际意义。在现有的k核研究中,已有部分文献开始结合图中的其它属性,如:图的关键词属性、图的空间位置属性、图的节点影响力属性等。但目前对于k核紧密子图的查询中,结合图中边权值的研究还较少,而在很多场景下,图中边的权值往往具有很强的语义关系。考虑到这一点,本文提出了一个新的紧密k核子图查询问题。目前对于紧密子图的查询,主要有两个研究方向:社团搜索和社团检测。本文所提出的问题属于紧密子图查询中的社团检测问题,其查询得到所有符合要求的连通子图。并且,本文考虑到查询最紧密子图往往会消耗较多的时间,在一些应用场景下也并不需要查询子图权重的最值。为此,本文所提的问题不局限于社团检测中最值的查询,子图只需满足给定的节点平均权值即可,而该值可以根据实际应用需求给出,具有更高的灵活性,能适应更多的查询场景。本文主要完成的工作如下:（1）提出了在加权图中查询联系紧密的连通k核子图问题,简记为紧密k核子图查询（Query Closely Relatedk-Core Subgraph,QCRKS）问题,其描述如下:给定核值k、节点平均权值,在加权图中查询紧密连通k核子图,该子图节点平均权值大于等于。随后通过多项式规约的方法,证明了QCRKS问题是一个NP-难问题。（2）由于无法为QCRKS问题找到一个在多项式时间复杂度内的最优算法,故本文为该问题设计了启发式算法CRK-G,其先在原图中查询一个最大连通k核作为候选子图,然后采用贪心策略通过在候选子图中不断迭代删除权值最小的节点,从而得到满足条件的紧密k核子图。（3）为提高CRK-G算法的效率,本文在其基础上进行改进,设计了CRK-C和CRK-F算法。CRK-C算法使用图压缩策略,在迭代之前先将权值相近节点进行合并,从而降低候选子图的规模。CRK-F算法使用单次多节点删除策略,每次迭代从候选子图中删除多个节点,从而减少迭代次数。两个算法分别从降低图规模和减少迭代次数两个方面出发,提高了查询效率,其查询速度明显高于CRK-G算法。（4）通过在真实数据集上的实验,对比了3种算法在不同查询场景下的查询效率,验证了算法的误差,分析了图压缩算法的有效性,以及最后通过与传统k核方法的对比和一个实例分析验证了本文所提模型的有效性。

关键词： 复杂网络   LPANNI算法   圈比   重叠社团检测   网络舆情分析  

摘要： 随着互联网的不断发展,人类在网络空间的交互越发频繁,进而形成了各种社会网络。复杂网络能够借助抽象的网络关系分析复杂系统,网络社团结构是复杂网络中最普遍的特性之一,通常对应于内部连接紧密而外部连接稀疏的网络子结构。网络社团结构可以刻画复杂系统的自组织成团涌现现象,检测网络社团有利于理解网络拓扑功能并预测网络结构演变。在实际网络中网络社团常常呈现重叠现象,网络社团间的重叠节点影响网络信息的传递和融合,跨多个社团的重叠节点还可能影响网络结构的演化,如何有效进行重叠社团检测具有特殊意义。 多标签传播算法是重叠社团检测算法之一,具有简单快速的优点,有利于检测一定规模的网络结构。本文对多标签传播算法LPANNI进行了优化,基于最小圈结构提出CLPANNI算法。该算法运用圈比指标刻画节点的重要程度,对节点的利他性进行衡量并按升序更新节点标签,再根据邻居节点的影响力传播标签。经实验验证,该算法与4种基准算法相比在NMI＿LFK、NMI＿MGH、Mov指标下性能较优,提高了社团检测精度。 考虑到CLPANNI算法中圈比的计算比较复杂,且一般网络中数量最多的最小圈为三角形,为了进一步提升社团间重叠节点的挖掘效能,本文提出考虑节点位置信息的重叠社团检测算法KLPANNI。该算法运用K-shell算法粗粒度划分网络层级,将其融入到标签传播过程并进行迭代,融合节点网络位置信息和节点所在的三角形数量计算邻居节点的影响力。在社团结构已知的3个现实世界网络中,KLPANNI算法检测网络社团间重叠节点的性能相对LPANNI算法更好,可以检测到更多的重叠节点,有助于更好地研究分析网络拓扑结构和网络功能。 网络舆情具有一定集聚现象,本文将改进的LPANNI重叠社团检测算法应用到网络舆情的结构分析中,快速发掘舆情网络中的重叠节点,深度分析重叠节点在舆情网络结构中的作用。首先,运用Cite Space知识图谱工具构建“舆情演化”主题文献共被引网络,通过KLPANNI算法挖掘重要重叠节点,研究发现该网络中的重叠节点是综述和方法论书籍,它们在文献共被引网络中起着桥接和融合作用。其次,以“2020东京奥运”舆情事件为例,爬取豆瓣小组的舆情交互数据构造网络,分析复杂交互行为。根据交互时间和具体内容分析了静态与动态网络的社团结构及关键节点,发现参与不同话题的小组成员是重叠节点,对重叠节点重点关注有利于控制网络舆情的传播。最后,基于Weibo-COV数据建立微博转发网络,对其进行社团结构分析。发现KLPANNI算法具有良好的重叠节点挖掘能力,从网络社团结构角度对网络舆情进行应用分析,提升了网络舆情社团结构量化分析层次,为网络舆情治理提供一定支持。