随着互联网的快速发展,人们不断在互联网上发布一些信息,使得互联网逐渐成为一个巨大的信息源。网络的发展极大地改善了人们的日常生活,并使人们的信息交流发生了空前的变化,人们甚至可以在一天之内浏览到世界各地当天发生的事情。另外,由于网络资源越来越庞大,又带来了一定的负面效应,人们往往被爆炸式的网络信息所淹没,不知道自己真正所需要的东西在哪。如何有效的利用和发现Web网络上的有用信息,是数据挖掘所要研究的主要内容。传统意义上的数据挖掘只能提供给人们一些最基本的文本信息,而随着人类信息化步伐的加快,人们逐渐发现单纯的文档搜索已经不再能满足用户的需求。这些年来,专家检索作为信息检索和知识发掘领域的研究热点,已经越来越受到人们的关注。专家检索目的是为了通过一系列的方法来发现那些拥有丰富专业知识、技能与经验的领域专家,以便组织团队,指导研发,攻关技术,以此来提高工作或生产效率。本文主要研究如何利用社区挖掘概念来找到合作网络中的专家社区,从而为专家检索应用提供支持。为此,本文提出了一种层次式的社区挖掘算法,通过快速定位社区核心,继而渐次增量生成社区结构。为了建模社区成员的知识结构,提出了一种基于隐含主题模型的专长建模方法,使得个体成员和社区整体均能实现专长建模。在扩展社区时,不仅要考虑加入节点与当前社区的连接强度,还要考虑两者的专长分歧,尽量将不相关的节点排除在社区结构外,由此模型可较好地挖掘出一些知识内聚性高的社区。在ACL数据集上进行了模型评估,并与传统的只考虑连接强度的社区挖掘策略作了对比,结果证明了模型很接近现实世界的研究社区。