社团发现是复杂网络研究领域的一个重要任务,利用网络拓扑信息与文档内容信息进行社团检测与语义解释已成为复杂网络分析领域新的发展趋势。然而目前的相关研究工作仍存在如下问题。首先,大部分方法都认为社团的定义为:内部结点连接紧密,组间连接稀疏的点的集合。因此,基于此概念的社团发现方法通常难于检测到真实世界存在的其他类型的社团结构。也就是说目前很多方法无法检测到广义的社团结构。其次,在真实网络中,一个社团可能会存在多个主题。而很多方法往往认为一个社团只对应一个主题,由此得出的社团解释通常是不准确的。最后,大部分方法都是采用单词来表示社团的主题解释。但是单词往往存在一词多义的情况,因此单独用单词来表示主题可能会导致结果产生歧义,不容易理解。为了解决上述问题,本研究提出了两个结合网络拓扑信息和结点内容信息的社团发现与解释方法,分别是鲁棒融合网络结构与结点属性的广义语义社团发现方法,以及结合情感的语义社团发现方法;通过有效地刻画情感信息,递进地完成了高可理解性的社团发现与社团语义解释任务。1)本次研究通过贝叶斯概率框架来对真实的网络进行建模,并设计了高效的变分期望最大化算法来学习模型参数。2)通过对社团隶属关系、结点的主题聚类,以及二者之间关系的刻画,本次研究中的方法能够利用多个主题对社团的结果进行解释。3)本次研究进一步利用了情感层面的信息,刻画社团中每个主题下的情感分布,从而得到“主题-情感”双层社团解释结果。最后本研究将上述方法分别在人工网络和真实网络中与若干已有的社团发现算法进行对比,验证了这两个模型在社团结构检测方面的准确性。此外,我们还设计了两个相应的研究案例,以此来验证这两个方法在社团语义解释方面的能力。最终验证了我们的社团发现与解释算法不仅能够能更准确地检测出网络中的社团结构,还可以得到更容易理解的社团解释。