复杂网络被广泛应用于舆情分析、推荐系统等领域。在网络中分析出真实存在的社团结构是复杂网络研究的关键。近年来,社团检测的研究主要集中在如何使用不同的网络嵌入方法学习结点的分布表征,然后将它们作为特征提供给聚类算法。然而我们发现,这种基于网络嵌入特征的直接聚类方法虽可获得较好的结果,但仍很大的改进空间。更严重的是,在许多真实网络中,一些起关键作用的统计显著结点常常被基于网络嵌入的社团发现方法划分到不正确的社团。这主要是由于,虽然一些距离度量可被用于通过嵌入来捕获结点之间的空间关系,但是映射到特征向量之后的结点本质上将不再耦合,从而丢失了一些重要的结构信息。为了解决这个问题,我们提出了一个马尔科夫随机场(Markov Random Field,MRF)框架将直接依赖关系融入到网络嵌入中,从而能够更好地检测网络社团结构。通过巧妙地利用MRF的特性,新框架不仅保留了网络嵌入的优点(如低计算复杂度、高可并行性和对传统机器学习方法高度适用等特点),而且还可通过以下方式缓解其固有缺陷,即:依赖关系表示的不足可被丢失的结点间直接依赖所弥补。在大量网络上的实验表明,我们的新方法提高了已有嵌入方法(如Node2Vec、DeepWalk和MNMF等)的准确性,并纠正了大多数被误划分的统计显著性结点,使得网络嵌入可真正适用于社团检测真实应用。此外,新方法也显著优于其他代表性社团检测方法。