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

分析表明，常用的基于模块性的方法在发现社区结构时很少产生最优划分或最接近最优划分的划分，因此，推荐使用近似优化算法以在方法适用范围内更加方法论严谨地使用模块性。

Oct, 2023

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

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

本文介绍了一种针对有向网络的社群发现方法，利用广泛使用的收益函数 - 模块度，通过将边方向的信息纳入，通过寻找网络可能的分割来最大化模块度，进而利用相应的模块度矩阵的特征向量得到社群结果，并证明该方法在各种测试网络上比以往方法产生更好的结果。

Sep, 2007

本研究发现模块度优化在网络分区时可能无法识别一些小规模的模块，因此探讨在实际应用中的实际后果和解决方法。

Jul, 2006

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

本文介绍了复杂网络的社区结构，从 M.Newman 提出的模块度函数评估社区分解的优劣开始，将其扩展到具有重叠社区结构的定向图的更一般情况，并提出了一种找到重叠社区的方法和基准案例研究的结果。同时提出了一个可用作重叠社区结构识别的参考基准的新数据集。

Jan, 2008