本研究关注于网络系统的统计特性，特别是网络的小世界属性、幂律度分布、网络传递等特性。我们还提出了一种新的方法来检测紧密结合的节点组成的社区结构，使用中心性指数来确定社区边界。我们在计算机生成的和真实世界的图上测试了该方法，并发现它以高度的灵敏度和可靠性检测出社区结构。我们还将该方法应用于两个社区结构不好知道的网络 - 一张协作网络和一张食物网络，并发现它在两种情况下都能检测出有意义的社区划分。

Dec, 2001

本研究提出了一套算法用于发现网络中的社群结构，算法基于边的 “介数” 指标进行网络拆分，并针对性的进行度量评估，研究结果表明这些算法对于计算机生成和现实世界中的网络数据发现社群结构非常有效，可为我们探索复杂的网络系统结构提供帮助。

Aug, 2003

本文描述了一种快速检测具有社群结构的网络的新算法，并给出了各种应用实例，比之前的算法更加高效。

Sep, 2003

文章测试了多种算法，并针对新的基准图进行了评估，结果表明 Rosvall and Bergstrom、Blondel et al. 和 Ronhovde and Nussinov 三种算法表现出色，并具有低计算复杂度优势，适用于大型网络分析。

Aug, 2009

通过改进算法的方式，基于特征矩阵的谱算法检测网络数据的社区结构，运行时间比模拟退火等竞争方法更短且获得更好质量的结果。

Feb, 2006

本文介绍了一种新的基准图以测试社区检测算法，并与当前常用的基准图进行比较，结果表明这种新的基准图对算法的测试要比标准基准图更具挑战性。

May, 2008

通过以图分割问题为基础的近似算法，定义了 “网络社区概要图”，来表征不同规模网络中最佳社区的结构，实证研究了 100 多个实际网络，在大型网络中发现与小型不同的社区结构，发展出 “森林火灾” 生长过程为基础的图生成模型。

Oct, 2008

本研究发现模块度优化在网络分区时可能无法识别一些小规模的模块，因此探讨在实际应用中的实际后果和解决方法。

Jul, 2006

通过比较社区结构识别的不同方法，特别是最近提出的模块度量，研究了这些方法在已知社区结构的自组织网络中的性能表现，并发现最准确的方法往往更昂贵，因此在选择方法时需要考虑计算成本等因素。本研究旨在提出一个标准的基准测试，作为社区检测方法的介绍和建议。

May, 2005

通过节点的标签传播，本文提出了一种在大规模网络上检测社区结构的算法，不需要预先知道社区数量和大小，并且计算效率高；实验证明该算法与先前算法相比具有更高的计算速度。

Sep, 2007