社團(tuán)發(fā)現(xiàn)是非常重要的網(wǎng)絡(luò)數(shù)據(jù)分析任務(wù)。統(tǒng)計(jì)模型類社團(tuán)發(fā)現(xiàn)方法由于具有堅(jiān)實(shí)的理論基礎(chǔ)和優(yōu)越的性能，因此越來越被人們關(guān)注。然而，已有社團(tuán)發(fā)現(xiàn)模型一般都基于有向概率圖模型，作為無向概率圖模型的馬爾可夫隨機(jī)場極少被用于社團(tuán)發(fā)現(xiàn)領(lǐng)域.2018年我們提出了一個(gè)網(wǎng)絡(luò)導(dǎo)向的馬爾可夫隨機(jī)場模型 Net mrf，該模型雖具有良好的性能，但仍存在如下問題：（1） Net mrf的能量函數(shù)不夠完整，缺少往往在MRF中起主導(dǎo)作用的單點(diǎn)勢函數(shù)，僅采用了常被視為起輔助作用的成對勢函數(shù)對社團(tuán)進(jìn)行描述;（2）也正因?yàn)槿绱耍瑸榱耸钩蓪莺瘮?shù)能有效建模網(wǎng)絡(luò)中不規(guī)則的拓?fù)湫畔ⅲ?Net MRF采用了復(fù)雜的三層全連接馬爾可夫隨機(jī)場結(jié)構(gòu)，這雖會增強(qiáng)其描述能力，卻給推斷算法帶來了O（n3）級時(shí)間復(fù)雜度，n為網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)。本文針對上述問題對 Net mre進(jìn)行改進(jìn)。首先基于網(wǎng)絡(luò)嵌入方法，結(jié)合吉布斯分布設(shè)計(jì)有效的單點(diǎn)勢函數(shù)，解決了 Netmrf能量函數(shù)不完整的缺陷;進(jìn)而通過對成對勢函數(shù)結(jié)構(gòu)的有效稀疏化，緩效率不高的問題;從而構(gòu)建了一個(gè)高精度、近線性的馬爾可夫隨機(jī)場新模型iMRF.本文采用“最大化加和γ版本的信念傳播算法對iMRF進(jìn)行推斷，通過最大化聯(lián)合后驗(yàn)概率獲得最優(yōu)的社團(tuán)配置。在兩組人工網(wǎng)絡(luò)和20個(gè)真實(shí)網(wǎng)絡(luò)上，我們將iMRF與6個(gè)統(tǒng)計(jì)模型類社團(tuán)發(fā)現(xiàn)方法（包含 Net MRF）進(jìn)行比較，結(jié)果顯示iMRF的平均精度高子對代算法2.6%~12.9%;iMRF的平均運(yùn)行速度在對比算法中也名列前茅尤其是對于大規(guī)模網(wǎng)絡(luò)具有更強(qiáng)的處理能力。