该论文提出了一种基于蝴蝶核心社区结构的快速搜索方法，用于在异构图中识别与查询顶点对应的密集相互连接的子图。通过随机游走与重新开始算法和蝴蝶度綜合评估社区内顶点的重要性，并采用更有效的顶点距离更新方法，避免不必要的顶点访问，提高操作效率。通过多个真实世界临时图的广泛实验验证了该解决方案的有效性和效率。

Jan, 2024

本文针对社交网络和信息网络的社区搜索问题，提出了一种基于 k-truss 的算法模型，并采用贪心算法框架进行求解，最终实现了在时间效率和搜索准确度之间的平衡。

May, 2015

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

本篇研究论文对大图、网络社区、社区检索、社区搜索、以及相关的研究现状进行了综述和分析，旨在帮助人们更好地理解社区搜索的解决方案和其效果，并提供实践者选择合适解决方案时的指导和参考。

Apr, 2019

本文提出了一种基于组合目标函数的计算框架，用于聚类在分类间具有超图的复杂关系的节点，特别地，解决了超边标签的聚类，其中簇对应于经常参与相同类型的交互的节点组。

Oct, 2019

基于核心 - 边缘结构的新算法概念，相对中心性，能够更好地选择来自所有社区的顶点子集，以提高聚类算法的性能。

Jun, 2024

本文提出了一种面向多个图形的一般图级聚类框架，名为 GLCC，它使用对比学习技术，包括实例级和聚类级联合优化表示学习，以及使用邻域感知伪标签来奖励优化表示学习的过程。实验证实，GLCC 比其他竞争基线方法表现更好。

Oct, 2022

本文提供的是一种关于网络分析的图聚类框架 LambdaCC 的更快更可靠的逼近算法，其依赖于可调节参数的分辨率参数和一种新的参数化边标记问题。

Jun, 2023

这篇研究论文讨论了网络科学中一个重要的问题 —— 发现社群结构的方法和应用，分析了该问题的主要元素和当前已有的各种方法，重点介绍了统计物理学家们开发的技术。

Jun, 2009

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