1.一种基于属性网络嵌入和无参聚类的哔哩哔哩用户社区发现方法，其特征在于：所述方法包括如下步骤：步骤一：根据现有的哔哩哔哩数据，构建具有n个节点的用户网络模型G＝(V，E，F)，V表示节点，E表示连边，F表示属性，每个用户为一个节点，用户与用户之间若有关注，则有连边，n个节点的连边关系组成一个邻接矩阵A，每个用户的浏览历史为节点的属性，共选取m个属性，所有节点的属性表示为一个n行m列的属性信息矩阵F；

步骤二：采用属性网络表征学习方法将具有n个用户、m个属性的哔哩哔哩用户网络G转化为特征空间中n个d维嵌入向量H；

步骤三：对得到的n个嵌入向量H运行k‑means算法，聚类数目k取1到kmax各T次，分别计算不同k值下、T次内的群内方差J(k)，把最小的记为J(k)min；

J(k)min＝argminJ(k)t，1≤t≤T

其中，Pj为社团j的节点集合，Xi为社团j内节点i的嵌入向量H， 为社团j的各节点向量2

平均值，||x||为求x的欧式距离的平方；

步骤四：计算曲率指标r(k)；

步骤五：把最大的曲率指标r(k)对应的k记为k1，把次大的曲率指标r(k)对应的k(k≠k1)记为k2，以上步骤循环I次，把出现次数最多的k1和k2分别记为ka、kb；

步骤六：分别运行社团个数为ka和社团个数为kb的k‑means算法，并计算各自聚类结果的模块度Q1、Q2，模块度Q的公式为；

其中，c为社团序号，C为社团个数，lc是社团c的总边数，dc是社团c中所有用户的总度数，m为整个网络用户之间的总边数；

步骤七：对步骤六循环执行IT次，对Q1、Q2分别取最大值记为Qa、Qb，对比得到最终的社团划分个数K；

步骤八：运行社团个数为K的k‑means算法，返回哔哩哔哩用户的社团划分结果。