本文提出了一种基于协方差矩阵的图形表示方法，定义了适用于社交网络分类的相似度测量，具有高计算效率，支持大规模应用。研究了随机块模型中的谱聚类，证明其在社区提取中的一致性和可靠性，并提出结合多层随机块模型和变分贝叶斯算法的新颖聚类分析方法，应用于全球食品贸易网络分析。

本文讨论了多种主题建模方法，包括基于聚类的主题建模、随机块模型、术语稳定性分析和高斯混合神经主题模型。这些方法在文本空间化、主题数自动检测和语义提取方面表现优越，显著提升了分类和预测任务的性能。

该文综述随机块模型及其在社区检测中的应用，涵盖重叠社区检测的估计方法与误差下界、混合成员随机块模型、贝叶斯非参数与变分推断、结合GNN的稀疏变分自编码器节点嵌入、粒子滤波在线推理、动态标记网络模型，以及标记随机块模型的谱聚类算法，并讨论可检测性极限与模型选择问题。

该文综述图社区检测与比较方法：先将图嵌入欧氏空间获得低维表示，再聚类顶点形成社区，并用非参数图推理识别社区间结构相似性，可递归检测更细粒度结构。相关研究涵盖度校正目标函数、泊松度校正超图随机块模型、信息理论分析、谱聚类、超级叠加随机块模型、节点属性与网络信息联合聚类、嵌套概率模型、重叠随机块模型及语义图表征学习等，并在模拟与真实数据上验证有效性。