COVID-19 病毒引发的新冠疫情已成为世界性的灾害，研究表明 AI 和机器学习算法可以通过分析蛋白质相互作用和基于图的聚类算法来提供有关病毒的重要信息。

Aug, 2023

通过节点的标签传播，本文提出了一种在大规模网络上检测社区结构的算法，不需要预先知道社区数量和大小，并且计算效率高；实验证明该算法与先前算法相比具有更高的计算速度。

Sep, 2007

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

本研究介绍了一种基于适应度函数本地优化的算法，能够发现复杂网络中的社区结构、嵌套社区和重叠社区，可以通过调整参数来探索不同层次的组织结构水平。在真实网络和人工网络上进行了测试，取得了优异的结果。

Feb, 2008

本篇研究基于微分隐私解决复杂网络隐私保护问题，提出了基于 Louvain 方法的输入扰动方案 LouvainDP 和基于指数机制的算法扰动方案 ModDivisive，并在真实数据集上进行了充分评估，验证了其优越性。

Jul, 2016

本文介绍了一种分析交织在一起的重叠社区的方法，以揭示复杂网络的模块化结构。经过定义一组新的特征量进行统计分析，发现网络中的重叠显著，并揭示出网络的普遍特征。通过对合作，词汇关联和蛋白质相互作用图的研究表明，社区网络具有非平凡的相关性和特定的比例关系。

Jun, 2005

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

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