文章测试了多种算法，并针对新的基准图进行了评估，结果表明 Rosvall and Bergstrom、Blondel et al. 和 Ronhovde and Nussinov 三种算法表现出色，并具有低计算复杂度优势，适用于大型网络分析。

Aug, 2009

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

本研究论文探索了网络中社区检测的一些关键问题，探讨了社区的定义、算法以及验证方法，并指出了现有方法的优缺点和发展方向。

Jul, 2016

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

本文探讨了一些网络社区检测方法，比较它们的性能和系统偏差；评估了用于形式化网络社区概念的几种常见目标函数，并研究了几种旨在优化这些目标函数的近似算法。此外，本论文还考虑了问题的大小解决版本，从社区大小的角度来考虑社区质量，以更好地检验社区检测算法，因为目标函数和近似算法通常具有不明显的大小依赖行为。

Apr, 2010

本文描述了一种快速检测具有社群结构的网络的新算法，并给出了各种应用实例，比之前的算法更加高效。

Sep, 2003

提出了一种基于社区提取而非划分的新框架，该提取方法一次只提取一个社区，以避免将每个节点强制归入社区而扭曲结果，其性能在模拟和真实网络上表现良好，并在模型假设下确立了我们方法的渐近一致性。

May, 2010

该论文对有向网络的聚类算法进行了深入的综述，介绍了基本概念和方法学基础，并从方法论原理和好的群集特性的角度讨论了聚类算法。此外，还介绍了图聚类结果的评估方法和指标，展示了有趣的应用领域，并提出了未来的研究方向。

Aug, 2013

本文聚焦于介绍社区检测在网络科学研究中不同的动机，指出社区检测的许多研究方向和未来的研究方向。

Nov, 2016