随着信息技术的迅猛进步，尤其是互联网技术的革新，微博作为典型的社交媒体平台，为用户提供了即时分享信息、观点和情感的场所。微博用户之间的社交互动构成了一个庞大且复杂的社交网络，这个网络由用户之间的关注关系构建而成，通常可以通过图论方法来建模。社区发现是复杂网络分析中的重要研究方向，识别出网络中紧密联系的节点子集。传统的链接分析算法如PageRank、Hits和SALSA等，在过去对于无向网络社区发现有重要贡献。然而，这些算法多用于无权图模型，无法准确反映用户之间的真实关系亲密度，尤其是微博中的有向且权重不同的关注行为。针对这一问题，本研究提出了一种基于WAF（Word Active Force）的改进图模型算法，以解决微博用户社区发现的挑战。WAF算法基于人类语言和认知中词汇激活的效应，模拟核心用户对其他用户影响力的表征，从而反映用户间的亲密度。通过将WAF算法与传统的链接分析算法结合，能够建立一个有向加权图模型，使得社区发现更为精准。基于该图模型，社区发现算法能够识别出符合传统算法结构特征，同时反映了用户实际亲密度的社区。WAF算法的核心理念是考虑微博内容中关键词的影响力。在社交网络中，特定词汇可能激发用户进行转发、评论或点赞，WAF算法通过分析这种词汇激活效应，模拟核心用户对其他用户影响力的过程。这种模拟有助于识别哪些用户具有更高的影响力，其关注的用户群体可能形成一个社区，社区成员可能具有相似的兴趣、观点或话题偏好。WAF算法引入了“投票”机制的概念，用户通过发布微博参与社区讨论，微博内容中的关键词或话题如同投票一般，反映了用户与话题或其他用户之间的关系强度。WAF算法量化这些关系强度，并将其作为链接权重，构建有向加权图。通过分析有向加权图，研究者能够探索不同用户群体之间的关联性，并识别出紧密联系的用户社区。作为基于web2.0和web3.0技术的新型社交媒体，微博打破了传统媒体单向传播的限制，为普通大众提供了高度参与和互动的平台。用户通过微博实时传播信息、参与社会讨论，使得微博上的信息量十分庞大，有效利用这些数据成为重要研究课题。