为了减少标签传播算法（LPA）中不必要的更新、解决算法准确率低且稳定性差的问题，提出了基于节点中心性和社区相似性的快速标签传播算法（FNCS_LPA）。按照节点中心性度量对网络的节点从低到高进行排序后加入节点信息列表，利用节点信息列表来指导更新过程，提高社区发现的稳定性并避免不必要的更新；采取基于社区相似性的更新规则，提高了社区发现的准确率。在真实社会网络和LFR基准网络上进行实验：相比LPA和三种较好的LPA改进算法，FNCS_LPA在执行速度方面提升了几十倍，真实社会网络的模块度也相对较高，在社区结构比较模糊的LFR基准网络上的归一化互信息有明显的优势。实验结果表明FNCS_LPA在提高执行速度的基础上，提高了算法的稳定性和准确率。

在当今大数据环境下，针对图中节点的海量性和分析的复杂性对最大团问题的研究在速度和精度上都提出了更高要求的问题，提出求解最大团问题的并行多层图划分方法（PMGP_SMC）。首先，提出一种新的多层图划分（MGP）方法，在保持原有图的团结构不被破坏的情况下对大规模图例划分产生子图，并对规模较大的子图进行多层图划分，进一步缩小子图规模，并且应用GraphX图计算框架实现MGP，形成并行MGP（PMGP）方法；然后，依据划分后的子图规模，减少了惩罚值局部搜索算法（PBLS）的迭代次数，提出基于速度优化的PBLS（SPBLS）来求解划分后的各个子图的最大团；最后，将PMGP和SPBLS相结合形成PMGP_SMC。采用Stanford大规模数据集运行测试，实验结果表明，PMGP相比并行单层图划分方法（PSGP），求得的最大子图规模能缩小至原来的1/100，平均子图规模能缩小至原来的1/2；PMGP_SMC相比求解最大团问题的PSGP（PSGP_SMC），总体时间缩短至原来的1/100，并且PMGP_SMC求解最大团的精度和基于极大团枚举求解最大团问题的并行多层图划分方法（PMGP_MCE）一致。PMGP_SMC能够快速精准地求解大规模图例的最大团。