主题模型在许多领域中(如自然语言处理领域)都有重要应用。主题嵌入模型的目标是将词嵌入和主题嵌入引入到传统主题模型中,以此来描述主题之间的相关性。已有主题嵌入建模方法仅使用了文档中的内容信息,然而由于其同时也会引入语义模糊词(如一词多义或一些学术性的误导词等)的词嵌入,上述仅利用文档信息的主题嵌入方法会带来主题的模糊性问题。与此同时,文档之间通常也存在着链接信息,文档和链接即形成了文档网络。链接结构的使用可能会缓解上述主题的模糊性问题。但是,链接的稀疏性和噪声同时也可能会误导主题语义。本文旨在通过引入社团结构来解决上述问题。社团不仅可缓解主题嵌入中的主题模糊性(因为社团通常被认为是和主题相关的),也可克服由于网络稀疏和噪声带来的附加缺陷(由于社团是一种高阶网络结构)。具体的,本文提出了一个新的生成式主题嵌入模型。该模型不仅同时利用了文档(蕴含主题)和网络(蕴含社团)信息,且通过引入一个概率转移机制来描述主题和社团之间的关联关系,实现了在主题和社团不匹配时仍可鲁棒发现社团结构的目的。在优化方面,本文提出了一个有效的变分推断算法来学习模型参数。最后,我们分别在文档分类和主题嵌入可视化两个任务上对以上算法的性能进行评估,并于已有代表性方法进行比较,验证了新方法的优越性能。