社团结构作为网络中一种重要的拓扑结构,在网络分析任务中具有重要的理论研究意义和社会应用价值。近年来,对于社团发现方法的研究从未间断,研究者们提出了许多新的社团发现方法。目前的大部分社团发现方法主要关注于网络中单一粒度上最为显著的社团结构发现问题,对于相对较为隐藏的社团结构研究不足。然而,这种隐藏社团结构在解决现实问题中往往有着重要的应用价值。因此,构建网络由显著到隐藏的多粒度社团结构对于更加全面地分析和理解网络结构具有重要意义。针对上述问题,本文对多粒度社团发现问题进行了研究,主要内容包括:1.为了发现网络中隐藏的社团结构,本文提出了一种基于网络嵌入的社团结构弱化算法。该算法首先基于网络嵌入方法,使用低维向量表示网络中的节点信息,克服了传统基于邻接矩阵的网络表示方法高维稀疏、计算复杂度高、低可并行性和无法应用机器学习方法等缺点。随后,该算法引入高斯混合模型,假设网络中所有节点的嵌入向量均由同一个高斯混合模型生成,将网络中节点的嵌入向量拟合高斯混合模型。最后,通过降低节点属于原社团概率的方法,增大节点属于其他未知社团的概率,达到弱化社团结构的目的。实验结果表明,该算法可以有效地弱化已发现的社团结构,帮助发现网络中的隐藏社团结构。2.为了构建出由显著到隐藏的多粒度社团结构,本文提出了一种基于社团结构弱化的多粒度社团发现算法。该算法基于本文提出的社团结构弱化算法,通过迭代进行社团结构弱化与社团发现,构建网络的多粒度社团结构模型。这种多粒度社团结构不仅包括了网络中最显著的社团结构,同时包括了网络中传统社团发现方法无法发现的隐藏社团结构,为更加全面的分析和理解网络结构提供了有效手段,具有重要的现实应用价值。实验结果表明,该算法可以构建出网络的多粒度社团结构,且在大部分实验数据集上,该算法相较于现有方法有更好的性能表现。