社团结构是复杂网络最重要的特征之一,通常具有“同一社团内的节点连接紧密、不同社团间的节点连接稀疏”的形式。贝叶斯模型是一类主要的社团发现方法,其基本思想是建立概率生成模型以拟合真实网络结构,求解最佳拟合参数。然而已有模型及其推断算法一般都存在效率较低、容易过拟合等问题,且对社团的认知与分析也不够精准。本文研究如何构建更加完善的社团发现贝叶斯模型及其推断算法,从两个方面开展研究:1)扩展网络嵌入强化的广义社团发现模型。不同于仅关注同配网络结构的传统社团发现方法,该模型采纳广义社团的概念,将异配结构及混合结构等形式都包括在内。同时,为处理网络拓扑中的噪声和冗余信息,引入网络嵌入矩阵,将节点表示成低维空间的特征向量。在此基础上,进一步将模型参数的生成也考虑进整个模型的生成过程,引入模型参数相应的共轭先验分布,构建一个更为完善的层次贝叶斯模型。最后设计该模型的变分贝叶斯推断算法进行参数估计,有效地提高模型的准确性和适用性。2)扩展融合网络结构与节点属性的社团发现模型。复杂网络中节点往往携带了丰富的属性信息,不仅能揭示节点的特征,还可改善社团发现的质量。为充分发挥节点属性的作用,可以构造面向拓扑社团发现与面向属性主题发现的联合模型,并使用社团与主题的关联矩阵改善两者的匹配性。在此基础上,进一步将与社团隶属概率相关的模型参数融入建模过程,基于共轭先验扩展形成一个层次贝叶斯模型,同时给出对应的变分贝叶斯推断算法用以迭代更新模型参数。实验表明该方法在大规模网络上也能高效准确地发现社团结构,并能解析出社团语义,具有良好的社团描述能力。