目前深度学习模型在对话行为识别中被广泛采用，通过挖掘多种对话行为特征以提升对话行为分类性能。然而，这些方法忽视了不同对话行为特征之间的潜在关联和相互影响，且对话行为分类过程中也很少考虑对话行为标签之间的语义关联关系，这些都妨碍了对话行为识别的性能提升。针对以上问题，提出一种基于注意力机制的多特征融合层次化分类（MFA-HC）方法用于对话行为识别。首先，提出一种基于无遗忘学习的对话行为层次化分类框架，结合词、词性以及相关语言学统计量等多种细粒度特征来学习训练对话行为分类模型；其次，提出一种基于注意力机制的共性-个性模型捕获不同特征之间的共性和个性特征。在两个基准数据集SwDA（Switchboard Dialogue Act corpus）和MRDA（ICSI Meeting Recorder Dialogue Act corpus）上的实验结果表明：相较于目前整体性能较优的DARER（Dual-tAsk temporal Relational rEcurrent Reasoning network），MFA-HC方法通过捕捉话语中隐含的共性和个性特征，分类准确率分别提高了0.6%和0.1%。

社区检测有助于理解社交网络错综复杂的结构，但现有的大部分社区检测方法并未考虑社交网络中社区规模的不平衡，发现的社区结构较为单一且准确率较低。为此，提出基于初始社区结构局部扩展的社区检测方法（LEICS）。LEICS分为3个阶段：第一阶段，充分利用网络的层次结构信息和局部结构信息发现不同规模的初始社区结构；第二阶段，通过计算节点与社区内节点的连接强度和节点对社区的模块度贡献扩展初始社区，再利用标签传播算法（LPA）处理剩余节点；第三阶段，重新分配小于平均社区大小的不稳定社区中的节点，以进一步优化社区检测的结果。在12个真实世界网络和兰奇基内蒂-福图纳托-拉迪奇（LFR）仿真网络上的实验结果表明，相较于次优的局部平衡标签扩散（LBLD）算法，LEICS在Polbooks和YouTube网络上的归一化互信息（NMI）提高了至少5个百分点，它的准确性和鲁棒性在小规模和大规模网络中得到充分验证，这表明LEICS可以适应社区规模的不平衡。