本文研究了复杂网络的图嵌入，发现该方法无法捕捉复杂网络的重要特征，尤其是低度和大聚集系数。通过数学证明和实证研究，本文认为这种图嵌入技术不适用于揭示真实世界复杂网络的结构特征。

Mar, 2020

本文提出一种用于寻找二分图中密集子图的本地算法，通过 Kannan 和 Vinay 提出的密度定义来衡量，在最多 O (Dk^2) 个顶点上，在密度 theta / O (log n) 的情况下找到最接近指定起始点的密集子图，算法的时间复杂度为 O (Dk^2)，与图中的顶点数无关。

Feb, 2007

这篇论文提出了一种局部算法框架，用于在图中查找稠密的子图及其关系，支持高可伸缩性并提供时质量均衡的近似，特别是展示了该算法在实际网络上的效率、可扩展性和有效性。

Apr, 2017

本论文提出一种面向社交网络的加权社区聚类算法，基于三角形分析社区结构，该方法考虑了社区内部连边的布局，是相比于之前方法更加连续、有结构和明确的社区检测方法。研究结果表明，WCC 算法可以正确地捕捉社交网络中社区的特征。

Jul, 2012

本研究基于图形图案研究了新的图聚类方法，特别是针对三角形图案的发现，扩展了已有的聚类方法，包括谱聚类，以最小化由聚类划分而不是由边缘切割的三角形数量。研究结果表明，我们的方法在机器学习和图形挖掘中具有良好的现实效果。

Jun, 2016

研究了如何检测随机图中的高维几何结构问题，提出了一种基于新量的近乎最优和高效的测试方法，并针对稠密和稀疏情况提出了检测界和估计维度的猜想。

Nov, 2014

该研究提出了基于 butterfly motif (2,2-biclique) 的二分图密集子图定义，引入了高效的削除算法来查找这些子图，从而在实际数据中比 co-occurrence 网络的现有算法识别出更密集的结构。

Nov, 2016

寻找具有大的 Jaccard 相似系数的时间网络中允许一定程度变化的密集子图，证明了问题的 NP 难性，提出了一种迭代算法和贪婪算法来发现具有良好目标值的密集子图，并通过实验证明了算法的效率和实用性。

Aug, 2023

该研究分析了 Facebook 活跃用户的社交网络结构，包括全局结构、聚类、同配性等，证实了 “六度分隔” 现象的存在，并发现该网络的邻域高度聚集。该研究与较小社交网络的结构特征进行了比较，发现了大多数共同点。

Nov, 2011

本文基于凸优化和矩阵分解的最新成果，将 “密集连接群集” 视为不完美的团，利用概率性方法分析问题并旨在检测孤立的种植群集。我们的主要结论基本上是，只要群集足够大，就可以在图中找到密集的群集。

Apr, 2011