本文提出一种基于离散特征值问题的谱算法，以发现有极性社群的有符号网络中两个极化社群，证明所提出的问题是 NP-hard 的，同时在真实世界现象的情况下验证了算法的有效性并证明其比非平凡基线更好、更快、能够扩展到更大的网络。

Oct, 2019

本文介绍了拉普拉斯矩阵的第二特征值和相关特征向量在无向图中的基本特征，并提出了第二特征向量的局部偏差模型，用于半监督方式下确定数据图的本地性质和优化问题，从而可以在近线性时间内计算最优解，并提供了在社交和信息网络中找到具有局部偏差的稀疏线性切割的详细实证评价。

Dec, 2009

本文研究了有向带符号图的谱分析，给出了基于矩阵扰动理论的谱投影的理论近似值，并提出了一种基于谱聚类的图划分算法 SC-DSG，并在合成和实际数据集上进行了评估，提出的算法在理论分析和实证分析都取得了很好的效果。

Dec, 2016

通过设计无偏分割极化度量并提出了极化嵌入方法 POLE，结合拓扑和符号相似性，在社交媒体中对负面链接进行签名网络机器学习预测。

Oct, 2021

本文通过简单例子证明，在有符号图中，基于有符号拉普拉斯矩阵的算法比基于符号化拉普拉斯矩阵的算法更好地执行图谱划分，而负特征值有助于计算 Fiedler 向量。

Jan, 2017

本研究探讨了有符号网络，基于社交平衡理论构建了针对符号预测和聚类的方法，实验结果表明，将社交平衡理论的全局观点引入可以提高对有符号网络的预测和聚类效果。

Feb, 2013

分析了现有的谱聚类扩展，发现现有方法在某些情况下不能恢复基础聚类，提出使用正负部分拉普拉斯矩阵的几何平均值可以超越现有方法并且可以高效计算。

Jan, 2017

该研究提出了使用一种带有参数的拉普拉斯变换簇集算法来处理有正有负关系的图结构，并在多个模型中取得了比当前领先技术更好的聚类效果。

May, 2019

本文介绍了一种在带符号图中进行 $k$ 路分簇的原则性和理论上可靠的谱方法。我们的方法受到社会平衡理论的启发，旨在将网络分解为不相交的群体，使得同一组中的个体通过尽可能多的正边相连接，而不同组中的个体则尽可能多地连接负边。我们的算法依靠广义特征问题公式，为带符号的随机块模型提供了理论保证。数值实验表明，我们的方法在带符号聚类中比现有方法表现得更好，特别是在大量簇和稀疏测量图的情况下。

Apr, 2019

本研究考虑检测网络中的社群或模块，发现这种过程可以通过 “模块度量” 函数的最大化来实现，而这个函数可以用所谓的 “模块度量矩阵” 的特征谱表示，而我们从中得出了几个可能的算法和中心度量，并在各种真实世界的复杂网络中验证它们。

May, 2006