针对标签传播算法稳定性不足、准确性较差的问题，提出了融合K-shell和标签熵的标签传播重叠社区发现算法OCKELP。首先，采用K-shell算法减少了标签初始化时间，并利用标签熵的更新序列提高了算法的稳定性；其次，引入综合影响力进行标签选择，并将社区层次信息和节点局部信息融合提高了算法的准确性。在真实网络数据集上，OCKELP相较于重叠社区发现算法（COPRA）、基于多核心标签传播的重叠社区识别方法（OMKLP）、SLPA的模块度最大提升分别约68.64%、53.99%、42.29%，在人工网络数据集的归一化互信息（NMI）值上，OCKELP相较于其他三种算法也有着明显优势，且随着重叠节点隶属社区数量的增加可以挖掘出社区的真实结构。
