1.一种基于相似性的社区检测的方法，其特征在于：所述方法包括如下步骤：

步骤一：构建一个具有N个节点的无向网络模型G(V,E),V为节点，E为连边；

步骤二：任意选取两个节点i和j，计算两个节点的共同邻居集合Int(i,j)＝(Γi∩Γj)和联合邻居集合Uni(i,j)＝(Γi∪Γj),遍历网络中所有节点对，计算并记录相应节点对的共同邻居集合和联合邻居集合；

步骤三：在网络中任取一个节点i，计算该节点的的局部度数比

其中D(i)表示节点i的度数，一个节点的度数为该节点的相连邻居节点的数量，Γ(i)表示与节点i相连的所有邻居节点并包括节点i，遍历网络，计算并记录网络中所有节点的局部度数比；

步骤四：计算网络中包含每个节点的的PageRank值的向量

x＝D(D-αA)-1，

其中，x就是所计算的包含网络每个节点的PageRank值的向量(PR1,PR2,PR3,…,PRN)，上述公式多次迭代以后x会收敛到一个非常接近真实的中心性值的值，D是网络对应的对角矩阵，其元素是Dii＝max(ki,1)，ki是节点i的度；α是一个正的可调参数，A是网络的邻接矩阵，表示网络节点之间连边关系，Aij＝1，表示节点i和j之间有连边，反之则表示没有连边；

步骤五：在网络中任意选取节点i,计算连边(i,j)的度数比聚类值

该值表示节点i和j的度数比相似性，遍历网络，计算并记录网络中所有节点及其连边的度数比聚类值；

步骤六：在网络中任意选取节点i，找出与其度数比相似性最高的节点w,w为当连边(i,j)的度数比聚类值取最大值max{sim_P(i,j)},j∈Γ(i)时的j，遍历网络，找出所有节点对应的度数比相似性最高的节点；

步骤七：在网络中任意选取节点i,计算连边(i,j)的PageRank中心性聚类值该值表示节点i和j的PageRank相似性，遍历网络，计算并记录网络中所有节点及其连边的PageRank中心性聚类值；

步骤八：在网络中任意选取节点i，找出与其PageRank相似性最高的节点m,m为当连边(i,j)的PageRank中心性聚类值取最大值max{sim_PR(i,j)}，j∈Γ(i)时的j，遍历网络，找出所有节点对应的PageRank相似性最高的节点；

步骤九：在网络中任意选取一个节点i，将与其度数比相似性最高的节点j划入到同一个社区,遍历网络，将所有节点与其度数比相似性最高的节点划入同一社团，得到初始社区划分；

步骤十：在网络中任意选取一个节点i，找到与其PageRank相似性最高的点j，如果节点i和j不在同一个社区，合并这个节点所在的初始社区；遍历网络，将每个节点与其PageRank相似性最高的节点所在的社区合并，得到最终的社区结构。