随着互联网技术飞速发展,各类在线社交平台应运而生。由于数亿的用户注册量,导致社交平台产生了越来越多富含链接与内容的数据,如文档链接网络、用户交互网络等。这些网络通常被建模为属性网络,其中节点表示对象、边表示对象间的关系、属性表示节点特性。尤其是,属性网络社团的识别对于人们理解和利用网络数据的语义功能具有重要意义。目前,社团发现方法不断涌现,并取得了较好的效果。其中,基于非负矩阵分解、引入节点流行度的方法PSSNMF是一种准确性较高的社团发现方法。它主要是利用网络的拓扑信息,并考虑节点间的先验信息和度的异质性。然而,该方法并未考虑社团间交互的可能性,而真实网络中社团间是有可能产生交互的。PSSNMF亦未考虑节点的属性信息,因此无法有效识别属性网络的语义社团。针对上述问题,本文对PSSNMF算法进行改进,通过综合考虑属性网络中的拓扑信息、节点属性信息、节点间的先验信息、节点度的异质性这四个因素,提出了一种基于非负矩阵三因式分解的半监督属性网络社团发现新模型PSSNMTFC。进而基于乘性更新法则推导出该模型的高效优化算法,最后给出该算法的正确性和收敛性证明,并给出时间复杂度分析。在人工和真实网络上的实验表明,该方法的性能都优于当前一些代表性算法（包括PSSNMF算法）。最后,针对该模型仍存在的问题,提出了一类有效的可行扩充方案,使该模型具有更强的鲁棒性与泛化能力。