1.一种利用局部距离和节点秩优化函数的社交网络社区发现方法，其特征在于，包括以下步骤：S1，获取网络社交节点数据集，对获取的网络社交节点数据集进行拉普拉斯归一化处理；得到拉普拉斯节点矩阵；

S2，根据网络社交的内部距离和外部距离，计算得到网络社交节点值：若网络社交节点值大于或者等于预设网络社交节点值，则发现网络社交社区；

若网络社交节点值小于预设网络社交节点值，则重新发现网络社交社区；

S3，对步骤S2中发现的网络社交社区进行优化。

2.根据权利要求1所述的利用局部距离和节点秩优化函数的社交网络社区发现方法，其特征在于，在步骤S1中，对获取的网络社交节点进行拉普拉斯归一化处理计算方法为：其中，D表示节点度矩阵；

表示未归一化的拉普拉斯矩阵；

A表示邻接矩阵。

3.根据权利要求1所述的利用局部距离和节点秩优化函数的社交网络社区发现方法，其特征在于，在步骤S1中，拉普拉斯节点矩阵中元素值的计算方法为：其中，deg(vi)表示节点i的度；

deg(vj)表示节点j的度；

vi表示节点i；

vj表示节点j；

表示拉普拉斯节点矩阵中第i行第j列的元素值。

4.根据权利要求1所述的利用局部距离和节点秩优化函数的社交网络社区发现方法，其特征在于，在步骤S2中，网络社交的内部距离的计算方法为：其中，Lsym表示拉普拉斯节点矩阵；

表示节点集合Vk的邻接矩阵；

G表示社交网络；

Vk表示节点集合；k＝1,2,3,...,K；

dinternal(G,Vk)表示网络社交的内部距离。

5.根据权利要求1所述的利用局部距离和节点秩优化函数的社交网络社区发现方法，其特征在于，在步骤S2中，网络社交的外部距离的计算方法为：其中，Lsym表示拉普拉斯节点矩阵；

表示V-Vk的邻接矩阵；

表示节点集合Vk的邻接矩阵；

V表示节点分区集合；V＝{V1,V2,V3,...,VK}；

G表示社交网络；

Vk表示节点集合；k＝1,2,3,...,K；

dexternal(G,Vk)表示网络社交的外部距离。

6.根据权利要求1所述的利用局部距离和节点秩优化函数的社交网络社区发现方法，其特征在于，在步骤S2中，网络社交节点值的计算方法为：其中，Vk表示节点集合；k＝1,2,3,...,K；

V表示节点分区集合；V＝{V1,V2,V3,...,VK}；

dinternal(G,Vk)表示网络社交的外部距离；

dexternal(G,Vk)表示网络社交的内部距离；

SLDL(G,V)表示网络社交节点值。

7.根据权利要求4所述的利用局部距离和节点秩优化函数的社交网络社区发现方法，其特征在于，在步骤S2中，节点集合Vk的邻接矩阵AVk的计算方法为：其中，Vk表示节点集合；k＝1,2,3,...,K；

V表示节点分区集合；V＝{V1,V2,V3,...,VK}；

vx表示节点x；x＝1,2,3,...,N；

vy表示节点y；y＝1,2,3,...,N。

8.根据权利要求5所述的利用局部距离和节点秩优化函数的社交网络社区发现方法，其特征在于，在步骤S2中，节点集合V-Vk的邻接矩阵AV-Vk的计算方法为：其中，Vk表示节点集合；k＝1,2,3,...,K；

V表示节点分区集合；V＝{V1,V2,V3,...,VK}；

vx表示节点x；x＝1,2,3,...,N；

vy表示节点y；y＝1,2,3,...,N。

9.根据权利要求1所述的利用局部距离和节点秩优化函数的社交网络社区发现方法，其特征在于，在步骤S3中，对发现的网络社交社区进行优化的方法为：其中，Vk表示节点集合，k＝1,2,3,...,K；

V表示节点分区集合；V＝{V1,V1,V1,...,VK}；

vi表示节点i；

:表示在……情况下，有……；

V[vi]表示节点i属于节点集合V[vi]；

vj表示节点j；

Aij表示邻接矩阵A中的第i行第j列元素值；

若成立，则保留节点集合V[vi]；

若不成立，则舍去节点集合V[vi]。