تشخیص جوامع در یک گراف به معنای شناسایی زیرساختارها یا زیرگروه هایی از گره ها که درون خود ارتباطات نزدیکی دارند و با گره های دیگر در گراف ارتباطات کمتری دارند. در بسیاری از شبکه های واقعی، گره ها، امکان عضویت در جوامع مختلف را دارند و به این ترتیب مسأله تشخیص جوامع هم پوشان در شبکه ها و پیدا کردن مراکز مناسب و اعضای هر جامعه همچنان از چالش های این حوزه است، پیدا کردن مراکز مناسب بسیار مسئله مهمی است که تلاش شده مراکز بصورت خودکار انتخاب و اعضای هر جامعه مشکل داده پرت نداشته باشد، مساله همپوشانی هم مورد بررسی بوده است.این پژوهش به منظور شناسایی جوامع و ساختارهای موجود در گراف، سه مرحله اصلی را در برمیگیرد: تبدیل گراف به بردارهای فاصله محوری، تعیین مراکز مهم و نهایتاً خوشه بندی اعضا بر اساس فاصله آنها از مراکز. در مرحله اول، از روش پیاده روی عمیق برای تبدیل گره های گراف به بردار استفاده شد. مرحله دوم، شامل استفاده از معیار لاپلاسین برای تعیین مراکز خوشه ها است. در مرحله سوم یعنی خوشه بندی، اعضا به مراکز نزدیکتر با توجه به فاصله از هر مرکز تخصیص پیدا میکنند، تا به نزدیکترین مرکز مربوط شوند.برای ارزیابی روش پیشنهادی از چهار مجموعه داده مختلف به نام های فوتبال،پولبوک دولفین،کاراته ،ایمیل ها استفاده شد. مدل پیشنهادی ما برای فوتبال ، پولبوک دولفین،کاراته ،ایمیل با بدست آوردن دقت 95/0 ، 95/0 ، 1 ، 1 و 98/0 توانست بیشترین دقت را بدست آورد.همچنین در معیار NMI نیز با مقادیر 98/0 ، 0/74 ، 1 ،1 و 86/0 را به عنوان بهترین عملکرد کسب کند.
