随着网络数据规模的日益增大,各种类型的网络变得越来越复杂,传统网络中的社区发现方法面临着巨大的挑战,往往难以解决高维网络空间的社区划分问题。为了能够更准确的发现大规模网络中的社区结构,本文将机器学习中相关算法融合到社区发现中,提出了一种基于网络结构和节点内容属性的重叠社区发现方法。在基于网络结构的社区发现方法过程中,本文首先选取DeepWalk网络表示学习方法将网络图中节点表示成低维向量,每个节点的低维向量表示从某种程度上反应了该节点在网络中的连接情况。此时,我们便可以将每个节点看作是一个样本,向量的每个维度都可以看做一个特征,将样本数据输入到变分高斯混合聚类模型中训练。从而得到网络中每个节点的聚类结果,此处的类相当于网络中的社区。此外,该过程中得到的聚类个数可进一步作为基于内容建模的输入。在基于节点内容属性进行社区发现过程中,本文使用主题模型对节点内容进行多维属性建模,从而得到节点的多重社区归属分布问题。算法进一步考虑到网络中节点内容短小在主题建模过程中导致的数据稀疏问题,在LDA主题模型中引入Spike and Slab prior方法辅助实现变量选择和参数估计,有效地解决节点上社区分布的稀疏性和平滑性问题。最后本文通过实验将上述两种方法应用到真实网络数据集中,我们以DBLP文献数据集为例,对上述两种方法进行验证,结果表明本文的模型方法具有一定的准确性和有效性。并通过对挖掘出的社区结构作进一步分析,更好地揭示了社区内部的组织特征。