描述、解释网络动态变化的关键挑战之一是预测短期和长期变化，在考虑增强节点属性和网络拓扑特征的基础上，应用 CMA-ES 优化 16 个邻域和节点相似性指数的权重来预测未来的链接，从而为推特回复网络的演化提供一些计算机建模的线索。

Apr, 2013

本研究介绍了一种创新方法，将社区检测算法与图神经网络（GNN）模型相结合，以增强科学文献网络中的链接预测。我们特别关注利用 Louvain 社区检测算法揭示这些网络中的潜在社区结构，并将其整合到 GNN 架构中以预测潜在链接。我们的方法论证了在复杂网络中理解社区动态的重要性，并利用社区检测和 GNN 的优势来提高预测精度。通过对代表科学合作和引用的二部图的大量实验，我们的方法不仅凸显了社区检测和 GNN 之间的协同作用，还解决了链接预测中存在的一些普遍挑战，如可扩展性和分辨率限制。结果表明，整合社区级别信息可以显著提高 GNN 在链接预测任务中的性能。本工作通过将先进的机器学习技术与传统网络分析方法相结合，为网络科学领域提供了一种新的整合视角，以更好地理解和预测科学合作的复杂模式。

Jan, 2024

本文介绍了一种简单的方法，即将内容和链接信息结合起来构建图结构用于社区发现，通过在网络节点之间融合链接强度与内容相似度来评估信号强度，提出了一种有效的去噪方法并采用偏倚边采样，使用 Metis 和 Markov 聚类等算法对骨干图进行聚类，多次实验显示此方法效果显著且速度较快。

Dec, 2012

本文提出了基于 Erdos-Renyi 随机图的新算法，用于从时序观测中检测网络中社区的出现。 所开发的三个算法分别为 Exhaustive Search（ES），mixture，和 Hierarchical Mixture（H-Mix）。 数值比较显示 H-Mix 方法是性能最好的方法，与 ES 方法相比，H-Mix 方法具有更低的计算复杂度。

Jul, 2014

使用层级 Gamma 过程无限边划分模型描述同配性和随机等价关系，可以发现重叠社区和社区间交互作用，并自动推断社区数量，实验结果表明其可扩展性和最先进性能。

Jan, 2015

提出一种结合第一和第二组方法的两阶段方法，其中第一阶段确定与节点位置和动态行为相关的新特征，第二阶段应用子空间聚类算法对社会对象进行分组，以区分集群的强度，在 Facebook、Brightkite 和 HepTh 等真实数据集上进行了广泛的实验，并与该领域的一些先前技术进行了实验验证，证明了该方法的优越性。

May, 2023

本文提出了自动确定 Stochastic Blockmodel 所生成的图中聚类数的方法。通过剖析相应的邻接矩阵的主特征值限制分布并用于假设检验，提出了一个递归二分算法，该算法在真实世界的定量分类任务中表现优于现有概率模型，并且在未标记的网络中揭示出嵌套的社区结构。

Nov, 2013

本文提出了一种基于内部社区优先附着和社区间优先附着机制的演化网络模型，分析了此网络模型的度分布，理论结果和数值模拟表明，该网络模型具有社区结构和无标度特性。

Oct, 2005

通过将节点属性数据纳入超图中的社区结构学习，本研究提出了一种统计框架 HyperNEO，可以增强合成和实际超图中社区结构的学习效果，同时将使用随机块模型等模型获得的学习表示应用降维方法 UMAP 可以将节点映射到二维向量空间，从而在实际超图中部分保留社区结构，促进了对实际复杂系统中高阶社区结构的研究和理解。

Jan, 2024

本文提出了一种基于贝叶斯非参数技术的概率框架，用于同时估计群体数量和群体结构的网络分析问题，提出了一种有效的 MCMC 算法，并在合成数据和基准真实数据集上展示了其优异性能。

Feb, 2016