بسیاری از سیستم های دنیای واقعی مانند شبکه های اجتماعی و بیوانفورماتیک به صورت شبکه های پیچیده بیان شده که تحلیل آن ها توجه زیادی را به خود جلب کرده است. یکی از آشکارترین ویژگی های آن ها، وجود جوامع در آن ها است که از ارزش ویژه ای در علوم اجتماعی، زیست شناسی و شاخه های دیگر علوم برخوردار هستند و شناسایی آن ها، سبب استخراج اطلاعات سودمندی در مورد اعضای شبکه و ارتباطات بین آن ها شده و به درک ساختار شبکه کمک می کند. امروزه روش های زیادی برای شناسایی جوامع مطرح شده اند، اما این روش ها با کاستی هایی همچون عدم پایداری، ناتوانی در شناسایی جوامع کوچک، نیاز به اطلاع از تعداد جوامع و دقت پایین در شناسایی جوامع در شبکه های با ساختار ناواضح مواجه هستند. در این پژوهش، سه روش جدید برای شناسایی جوامع برای غلبه بر این کاستی ها مطرح شده اند. در روش پیشنهادی اول، هر جامعه به صورت یک تراکم محلی از گره های مشابه در فضای شباهت ها در نظر گرفته می شود. این روش شامل سه مرحله است. در ابتدا شبکه با استفاده از کدگذاری خطی خلوت به یک فضای شباهت با ابعاد کم انتقال می یابد. ایده اصلی در نگاشت شبکه این است که هر داده می تواند به صورت یک ترکیب خطی از گره های زیرفضایی خود نشان داده شود. سپس، یک روش جدید رتبه دهی گره، به منظور تعیین مرکزیت گره ها ارائه می گردد. و در نهایت، یک روش انتشار برچسب مبتنی بر اشتراک زیرفضایی برای شناسایی جوامع نهایی مطرح می شود. این روش انتشار برچسب سعی در یافتن جوامعی با تراکم بالای شباهت درون جامعه ای با استفاده از اطلاعات سراسری در شبکه دارد. در روش پیشنهادی دوم، زیرفضای گره ها و مراکز جوامع مشابه با روش پیشنهادی اول شناسایی می شوند. سپس، با ترکیب اطلاعات محلی و سراسری، یک روش انتشار برچسب با هدف شناسایی جوامعی با تراکم بالای شباهت درون جوامع و هم چنین شباهت کم بین آن ها ارائه می گردد؛ در روش پیشنهادی سوم، یک مدل مبتنی بر تجریه ی نامنفی ماتریس با استفاده از اطلاعات محلی، سراسری، ساختاری و قطعی ارائه می گردد. اطلاعات سراسری شبکه مانند، مراکز جوامع، و اطلاعات زیرفضایی گره ها مشابه روش پیشنهادی اول شناسایی می شوند.سپس، ریزجوامع در اطراف مراکز شکل می گیرند. ریزجوامع به منظور شناسایی یال های مثبت و منفی به عنوان اطلاعات قطعی در مدل مورد استفاده قرار می گیرند. هم چنین در این م
