本文提出了一种基于贝叶斯方法的加权随机块模型，可以用于推断加权网络的大规模模块结构，方法为无参数方法，使用数据来推断模型中的群组数量和其他维度，并提供了不同种类的边权（如连续或离散、有符号或无符号、有界或无界等）以及任意权重转换的综合处理。作者还描述了无监督模型选择方法来选择最佳网络描述，并且将该方法应用于各种实际加权网络，例如全球移民、国会中的投票模式和人类大脑中的神经连接。

Aug, 2017

本研究在考虑顶点度数变化的情况下，提出了一种改进的目标函数用于复杂网络社区结构检测，并提出了一种针对此函数或其非度数校正版本的启发式算法，表明度数校正版本在真实和合成网络中的表现显著优于未校正版本。

Aug, 2010

本文介绍一种新的 Overlapping Stochastic Block Model 方法，相对于现有的大多数聚类方法，允许节点属于多个重叠的群集，具有更高的灵活性和适用性，采用全局和局部变分技术的近似推断过程。

Oct, 2009

本文介绍了利用贝叶斯推断从网络数据中提取大规模模块化结构的方法，重点介绍了基于随机块模型（SBM），以及其度修正和重叠推广。提供了一种允许防止过度拟合，实现模型选择的非参数公式。讨论了先验选择的方面，特别是如何通过加强贝叶斯层次结构来避免欠拟合，同时描述了执行单点估计和采样网络分区的有效算法。还展示了如何利用推断 SBM 来预测丢失和虚假链接，并揭示了网络中模块化结构可检测性的根本限制。

May, 2017

通过引入两种适用于多层和时间网络的随机块模型，并开发可扩展的参数推断算法，我们可以更准确地预测具有复杂结构的实际系统中的交互，这一方法可以在分析通过对节点或链接进行建模对不同类型的数据集更有效地进行预测

Mar, 2018

采用贝叶斯方法结合矩阵因式分解和高斯过程，使用输入特征来预测个人偏好和众人共识，在大量的用户、物品和成对标记的情况下利用随机变分推断方法达到可扩展性，该方法在推荐任务和自然语言处理任务上均表现优异。

Dec, 2019

该论文提出了一种强大、可扩展、综合的图中社区检测和比较方法，首先将图嵌入到一个适当的欧几里得空间中以获得低维表示，然后将顶点聚类成社区，并应用非参数图推理技术识别这些社区之间的结构相似性，然后可以递归地应用这两个步骤到社区上，以检测更细粒度的结构。最后，在模拟和真实数据上证明了该算法的有效性。

Mar, 2015

论文提出了一种统一的框架 ——Preference Network (PN)，用于推荐系统任务。PN 将基于内容过滤和协作过滤相结合，支持评分预测和 top-N 推荐等查询，并采用了一种简单但有效的伪似然估计方法来解决大规模用户和项目网络学习的难题。实验表明 PN 具有明显的优点。

Jul, 2014

文章介绍了一种新的称为 `加权随机块模型` 的社区检测方法，能够从加权网络中学习社区结构并预测未来的互动。

Apr, 2014

通过基于吉布斯先验的扩展随机块模型（ESBM），本文研究了包含测量误差、未知核 - 边缘、同类与异类结构的隐藏式犯罪网络的组结构学习问题，并针对各类不确定性提出了更准确的建模、估计和预测策略，其中以 Gnedin 过程为先验的 ESBM 表现出较高的准确性。

Jul, 2020