本论文提出了一种基于模块性的策略来有效检测和跟踪动态社区，在合成网络和 Twitter 网络中的实验结果表明该框架优于其他最先进的方法，并且它为不同的社交网络提供了一个有价值的工具，来理解社区在动态社交网络中的演化。

Feb, 2023

利用基于模块度优化的启发式算法提取大型网络的社群结构，并且证实它的优越性和精准性在比利时移动电话网络和超过 10 亿个链接的网络图中得到了很好的效果。

Mar, 2008

提出了 DyPerm 方法，通过更新节点和边进行动态的社区检测，优化了一种称为持久性的社区评分指标，并在合成和真实网络上进行了实验，其准确率较基线方法提高了 35％，速度是其静态方法的 15 倍。

Feb, 2018

本文介绍了一种利用图拉普拉斯矩阵的谱特性，结合分层聚类技术和包含最大化输出模块化程度处理的高效且相对较快的检测复杂网络中社区的算法，并将其性能与其他现有方法在不同的复杂网络实例中应用进行了比较。在所有测试案例中，我们的结果都至少与任何其他方法获得的最佳结果一样好，大多数情况下比提供类似质量结果的方法更快，这使得该算法成为检测和分析复杂网络中社区和模块化结构的有价值的计算工具。

Apr, 2004

本文提出了一种使用超图模块性函数的可扩展社区检测算法 h-Louvain。通过调整算法的初始阶段，利用两部分图的图模块性函数和期望的超图模块性函数的线性组合，通过贝叶斯优化超参数的过程，提出了解决方法。在合成和真实网络上进行了各种实验证明，该过程在各种情况下都可以得到改进的结果。

Jun, 2024

该研究论文旨在探讨一种基于动力学的社区检测方法，并结合已有的启发式方法，提出一个新的计算准则来解释社区结构的不同方面和问题。

Aug, 2013

介绍了用于社区检测的度量学，讨论了不同算法中面临的限制问题，并提出了同时避免这些问题的 Modularity Density 度量学。提出了两种精细调整的社区检测算法，并证明了其中基于 Modularity Density 度量学的 Fine-tuned Qds 算法是最有效的。

Jul, 2015

本文提出了一种新颖的策略来发现（可能是大型）网络的社区结构，利用基于 k-path 的边缘中心度，并借鉴 Louvain 方法，通过最大化网络模块化来发现社区结构。实验证明，该算法优于其他技术并略微改进了原始 Louvain 方法的结果，可自然扩展到非加权网络。

Aug, 2011

提出基于动态模型合并（DynaMMo）的方法，通过合并不同阶段的多个网络来提高计算效率，以实现医学应用中的持续学习。与现有方法相比，DynaMMo 在 GFLOPS 方面能降低大约 10 倍，平均准确性仅降低 2.76。

Apr, 2024

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