摘要：社团发现已被广泛应用于社会学、生物学、物理学和计算机科学等诸多领域．通过发现复杂网络中的社团结构，可以帮助人们理解和分析复杂网络的功能，发现复杂网络中隐藏的规律并预测复杂网络的行为．目前，已有的社团发现算法主张融合网络结构信息和内容信息，以更好地避免网络噪声和节点缺失等原因对算法有效性产生影响．然而，它们并没有考虑当网络结构信息和内容信息维度不同时如何进行信息融合．针对该问题，提出一种基于异域自适应理论的网络社团发现算法CDHDA.该算法能够将不同维度的网络结构信息和内容信息映射到同一维度的子空间中，以实现对不同维度的信息融合．此外，在信息融合过程中可以对主要信息特征进行加强，以降低网络噪声和节点缺失对算法性能的影响．通过真实的社交网络数据集与经典的社团发现算法进行对比，验证了该算法的有效性．

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社