社区发现是根据网络的拓扑结构信息识别出网络中社区,传统的社区发现方法主要根据社区内节点链接稠密和社区间链接稀疏的特征,并借助于网络结构的属性来划分社区,这些方法不能发现重叠社区,并且其计算复杂度会因为网络节点数目的增多而变大。由于微博网络节点数目多、节点之间关系复杂,传统的社区发现方法用于微博网络存在一定的局限性。混合隶属度随机块模型是一种基于贝叶斯网络,并且允许节点隶属于多个社区的模型。该模型可以处理大规模节点的网络,并且计算机复杂度相对较低,但是该模型适用于无向网络。本文在混合隶属度随机块模型的基础上结合微博网络自身的特点,改进了混合隶属度随机块模型(MMSB),提出了一个用于微博网络社区发现的WB-MMSB模型。新模型考虑微博网络中节点存在的单向关注关系,节点的主题社区混合隶属度从链入主题隶属度和链出主题隶属度两个方面表示,用指数族分布和平均场变分推理方法推导了模型中各变量,并用SVI算法计算模型涉及的参数。实验使用新浪微博数据集,采用归一化互信息和困惑度进行评估,结果表明WB-MMSB模型的社区发现能力优于aMMSB模型,并且WB-MMSB模型的收敛速度快于aMMSB模型。