该论文提出了一种强大、可扩展、综合的图中社区检测和比较方法，首先将图嵌入到一个适当的欧几里得空间中以获得低维表示，然后将顶点聚类成社区，并应用非参数图推理技术识别这些社区之间的结构相似性，然后可以递归地应用这两个步骤到社区上，以检测更细粒度的结构。最后，在模拟和真实数据上证明了该算法的有效性。

Mar, 2015

本研究在考虑顶点度数变化的情况下，提出了一种改进的目标函数用于复杂网络社区结构检测，并提出了一种针对此函数或其非度数校正版本的启发式算法，表明度数校正版本在真实和合成网络中的表现显著优于未校正版本。

Aug, 2010

本文提出了一种基于泊松度校正超图随机块模型（DCHSBM）的聚类方法，该方法利用最大似然推断来实现超图聚类，其聚类目标扩展了图的流行性目标，使用了一种新的基于节点整合的变化，具有高可扩展性。通过综合分析各种实验数据，包括学校联系网络、U.S. 国会议案、合作购买行为的产品类别和网站浏览会话的酒店位置，作者发现该聚类方法能够恢复具有相应高阶结构的真实聚类。

Jan, 2021

本文提供了第一个信息理论的紧密分析，以推断与相同潜在社区相关的高维节点协变量的稀疏图中的潜在社区结构。

Jul, 2018

本文提出了用于网络中的聚类分析的一种新方法，利用谱聚类在随机块模型中发现社区和研究潜在空间模型下的特征向量。

Jul, 2010

本研究旨在探究超级叠加随机块模型 (SupSBM) 在解决复杂网络社区检测问题中的作用。研究者提出使用新模型可以更精确地捕获局部聚类、短平均路径和社区结构等更真实的网络现象，并进一步证明多个高阶谱聚类方法的性能在该模型下是满足特定的误分类错误率上界的。

Dec, 2018

该研究论文以网络聚类为主题，探讨了基于节点属性和网络信息的高性能聚类算法，并通过信息理论准则建立了节点属性和网络信息交换的精确恢复标签的关系，提出了一种迭代聚类算法以最大化联合似然函数，并通过数值实验验证了该算法的优越性。

Oct, 2023

通过具备多重尺度的完全描述网络层次结构的嵌套概率模型，可避免现有方法的局限性，在更高的分辨率下检测模块化结构并确保不产生伪模块，且具有一般性和可扩展性，适用于大型网络的高效算法

Oct, 2013

本文介绍一种新的 Overlapping Stochastic Block Model 方法，相对于现有的大多数聚类方法，允许节点属于多个重叠的群集，具有更高的灵活性和适用性，采用全局和局部变分技术的近似推断过程。

Oct, 2009

该研究聚焦于属性图中的图表征学习（即网络嵌入）。与现有的嵌入方法不同，我们提出了一种新颖的语义图表征（SGR）方法，将两个异构源的联合优化结合到一个基于公共高阶接近度的框架中，以全面编码原始图中节点和属性之间的复杂同构和异构关系。我们证明，SGR 对于一系列实际图表现出了卓越的性能，成为了其他基线的有效替代方案。

May, 2023