本研究提出双层行走（TLWalk）算法，解决了图嵌入方法在捕捉社区结构方面的不足。TLWalk通过社区感知的随机行走机制，平衡社区内部与外部的关系，降低局部偏倚。实验表明，该算法在链接预测任务中的准确率提高了3.2%，且具有良好的适应性和可扩展性。

本文提出了一种新的低维双向图框架（LDBGF），旨在将网络节点嵌入到可解释的向量空间中。研究表明，基于社区结构的SINr-NR方法能够生成高质量且可解释的图和词嵌入，对理解信息结构具有重要意义。

本研究提出了PieClam模型，这是一种基于重叠包容和排斥社区的概率图自编码器。该模型通过引入学习的先验和新解码器，提升了图表示能力，并在图异常检测中表现优异。

本文介绍了一种动态生成权重的网络模型，该模型能够从无模块拓扑转变为有社区结构，并重现社交网络特征。提出的加权社区聚类算法和新信息理论方法有效捕捉社区特征，研究加权网络的统计性质和组织原则，揭示其层级性和异质性。

本论文介绍了一种基于社区结构的方法，利用K-Shell算法生成种子节点和社区之间的连通性得分，以确保信息在社区内适当传播。实验结果显示，该方法在四项评价指标上明显优于基线方法。

本研究提出了一种新的方法来检测网络系统中的社区结构，测试结果表明该方法具有高度的灵敏度和可靠性。该方法还成功应用于两个社区结构不明确的网络。