伴随着Web2.0应用的流行，越来越多的互联网用户会积极的在网上发布文本，这使得同时获取文档和用户信息更加容易。同时，用户之间也会通过各种方式形成社会网络，这直接导致文本信息和网络结构的同步增长。以学术论文为例，因为研究人员会经常发表论文，不仅可以获取论文信息，同时可以自然的获取作者之间的论文合作关系网络。还可以很容易想到很多其他类似的文本附带网络结构的例子，比如网页附带超链接，文献附带引用关系等。因为具有良好的文档建模能力，话题模型广泛应用于大规模文档处理，如文本分类。然而已有的话题模型在建模过程中没有区分文档在不同话题上的重要程度，在对文档网络建模时，会丢失链接信息。通过结合基于链接的排序，研究了一个新的话题模型，即基于排序的话题模型。PageRank算法扩展用于计算文档在不同话题上的排序。基于排序的话题模型可应用于检索某一领域的优秀论文，对大规模文档按话题进行分类等。作者-话题模型用于同时从文档集中获取话题和作者兴趣。经典的作者-话题模型认为作者在所有话题上同等重要，然而，现实中作者在不同话题上具有不同的重要性，忽略该特性，将影响作者-话题模型的结果。延续基于排序的话题模型的思想，将链接排序加入作者-话题模型，提出了基于排序的作者-话题模型。基于排序的作者-话题模型将作者在不同话题上的排序值加入到Gibbs采样参数估计中。基于排序的作者-话题模型利用排序提高作者-话题模型的效果。基于排序的作者-话题模型可应用于检索某一领域热门研究人员，为投稿论文推荐评审人等。在Arnetminer平台提供的一个引用网络数据集上进行实验。实验结果显示基于排序的作者-话题模型具有较好的模型泛化能力。同时，定性和定量衡量了基于排序的作者-话题模型所探测的话题的可解释性。