[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-benedekrozemberczki--awesome-community-detection":3,"tool-benedekrozemberczki--awesome-community-detection":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159267,2,"2026-04-17T11:29:14",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":97,"github_topics":99,"view_count":32,"oss_zip_url":80,"oss_zip_packed_at":80,"status":17,"created_at":120,"updated_at":121,"faqs":122,"releases":152},8615,"benedekrozemberczki\u002Fawesome-community-detection","awesome-community-detection","A curated list of community detection research papers with implementations. ","awesome-community-detection 是一个精心整理的开源资源库，专注于汇集社区检测（Community Detection）领域的研究论文及其代码实现。在复杂的网络数据中，如何精准识别出内部连接紧密的群体结构一直是个难题，这份清单正是为了解决研究者寻找高质量算法和复现代码困难的问题而生。\n\n它非常适合图神经网络研究人员、数据科学家以及需要处理社交网络、生物信息或推荐系统的开发者使用。不同于普通的文献列表，awesome-community-detection 的独特亮点在于其系统化的分类体系，涵盖了从经典的矩阵分解、谱方法，到前沿的深度学习、张量分解、时序动态分析乃至超图等十多个技术方向。每一个条目都力求关联具体的论文与可运行的代码实现，极大地降低了算法落地的门槛。无论你是想探索基于物理启发的新型模型，还是寻找高效的标签传播算法，这里都能提供清晰的指引，是进入社区发现领域不可或缺的实用指南。","# Awesome Community Detection Research Papers\n[![Awesome](https:\u002F\u002Fcdn.rawgit.com\u002Fsindresorhus\u002Fawesome\u002Fd7305f38d29fed78fa85652e3a63e154dd8e8829\u002Fmedia\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fsindresorhus\u002Fawesome)\n[![PRs Welcome](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPRs-welcome-brightgreen.svg?style=flat-square)](http:\u002F\u002Fmakeapullrequest.com)\n[![repo size](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frepo-size\u002Fbenedekrozemberczki\u002Fawesome-community-detection.svg)](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Farchive\u002Fmaster.zip)\n![License](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fbenedekrozemberczki\u002Fawesome-community-detection.svg?color=blue) [![benedekrozemberczki](https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Ffollow\u002Fbenrozemberczki?style=social&logo=twitter)](https:\u002F\u002Ftwitter.com\u002Fintent\u002Ffollow?screen_name=benrozemberczki)\n\n\nA collection of community detection research papers.\n\nSimilar collections about [graph classification](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-graph-classification), [classification\u002Fregression tree](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-decision-tree-papers), [fraud detection](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-fraud-detection-papers), and [gradient boosting](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-gradient-boosting-papers) papers with implementations.\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"460\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbenedekrozemberczki_awesome-community-detection_readme_cb8914f43c14.png\">\n\u003C\u002Fp>\n\n## Table of Contents  \n\n1. [Matrix Factorization](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Ffactorization.md)  \n2. [Deep Learning](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fdeep_learning.md) \n3. [Label Propagation, Percolation and Random Walks](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Flabel_propagation.md) \n4. [Tensor Decomposition](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Ftensor_decomposition.md)\n5. [Spectral Methods](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fspectral.md) \n6. [Temporal Methods](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Ftemporal.md) \n7. [Cyclic Patterns](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fcyclic.md)\n8. [Centrality and Cuts](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fcentrality.md) \n9. [Physics Inspired](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fphysics.md)\n10. [Block Models](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fblockmodels.md)\n11. [Hypergraphs](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fhyper_graphs.md) \n12. [Others](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fothers.md) \n13. [Libraries](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Flibraries.md)\n\n-------\n\n**License**\n\n- [CC0 Universal](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002FLICENSE)\n","# 令人惊叹的社区检测研究论文集\n[![Awesome](https:\u002F\u002Fcdn.rawgit.com\u002Fsindresorhus\u002Fawesome\u002Fd7305f38d29fed78fa85652e3a63e154dd8e8829\u002Fmedia\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fsindresorhus\u002Fawesome)\n[![欢迎提交PR](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPRs-welcome-brightgreen.svg?style=flat-square)](http:\u002F\u002Fmakeapullrequest.com)\n[![仓库大小](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frepo-size\u002Fbenedekrozemberczki\u002Fawesome-community-detection.svg)](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Farchive\u002Fmaster.zip)\n![许可证](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fbenedekrozemberczki\u002Fawesome-community-detection.svg?color=blue) [![benedekrozemberczki](https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Ffollow\u002Fbenrozemberczki?style=social&logo=twitter)](https:\u002F\u002Ftwitter.com\u002Fintent\u002Ffollow?screen_name=benrozemberczki)\n\n\n一份关于社区检测的研究论文合集。\n\n类似的合集还包括关于[图分类](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-graph-classification)、[分类\u002F回归树](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-decision-tree-papers)、[欺诈检测](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-fraud-detection-papers)以及[梯度提升](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-gradient-boosting-papers)的论文与实现。\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"460\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbenedekrozemberczki_awesome-community-detection_readme_cb8914f43c14.png\">\n\u003C\u002Fp>\n\n## 目录  \n\n1. [矩阵分解](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Ffactorization.md)  \n2. [深度学习](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fdeep_learning.md) \n3. [标签传播、渗流与随机游走](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Flabel_propagation.md) \n4. [张量分解](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Ftensor_decomposition.md)\n5. [谱方法](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fspectral.md) \n6. [时序方法](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Ftemporal.md) \n7. [循环模式](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fcyclic.md)\n8. [中心性与割集](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fcentrality.md) \n9. [受物理学启发的方法](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fphysics.md)\n10. [块模型](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fblockmodels.md)\n11. [超图](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fhyper_graphs.md) \n12. [其他](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Fothers.md) \n13. [库](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002Fchapters\u002Flibraries.md)\n\n-------\n\n**许可证**\n\n- [CC0 Universal](https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fblob\u002Fmaster\u002FLICENSE)","# awesome-community-detection 快速上手指南\n\n`awesome-community-detection` 并非一个可直接安装的软件库或框架，而是一个**社区发现（Community Detection）研究论文与代码实现的精选合集**。它旨在为研究人员和开发者提供按算法类别整理的学术资源索引。\n\n本指南将指导你如何浏览该资源库，并找到带有代码实现的算法进行使用。\n\n## 环境准备\n\n由于该仓库本身不包含核心代码，而是指向各个独立的研究项目，因此环境需求取决于你具体选择的算法实现。通常，大多数现代社区发现算法基于 Python 生态。\n\n**通用前置依赖：**\n*   **操作系统**：Linux, macOS 或 Windows (推荐 WSL)\n*   **Python**：3.7 或更高版本\n*   **包管理工具**：`pip` 或 `conda`\n*   **基础科学计算库**（多数算法需要）：\n    *   `numpy`\n    *   `scipy`\n    *   `networkx`\n    *   `torch` 或 `tensorflow` (针对深度学习类算法)\n\n**国内加速方案：**\n建议在安装 Python 依赖时使用清华或阿里镜像源，以提升下载速度：\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>\n```\n\n## 获取资源与定位算法\n\n你不需要“安装”此仓库，只需克隆或下载以获取论文列表和代码链接。\n\n**1. 克隆仓库**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection.git\ncd awesome-community-detection\n```\n\n**2. 浏览算法分类**\n进入 `chapters` 目录，根据你的手机需求查看对应的 Markdown 文件。主要分类包括：\n*   `factorization.md`: 矩阵分解方法\n*   `deep_learning.md`: 深度学习方法\n*   `label_propagation.md`: 标签传播与随机游走\n*   `spectral.md`: 谱聚类方法\n*   `libraries.md`: **重点推荐**，此处列出了通用的社区发现库\n\n**3. 查找带实现的论文**\n在对应的 `.md` 文件中，寻找标记有 `[code]` 或包含 GitHub 链接的条目。点击链接跳转至具体的算法仓库。\n\n## 基本使用示例\n\n由于这是一个论文列表，\"使用\"通常指运行某个具体算法的实现。以下以通用的社区发现库 `cdlib` (常在 `libraries.md` 中推荐) 为例，展示如何调用经典的 **Louvain** 算法。\n\n**1. 安装通用库 (示例)**\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple cdlib python-louvain networkx\n```\n\n**2. 运行代码示例**\n创建一个 `test_community.py` 文件：\n\n```python\nimport networkx as nx\nfrom cdlib import algorithms\n\n# 1. 创建示例图 (Karate Club 数据集)\ng = nx.karate_club_graph()\n\n# 2. 执行社区发现算法 (Louvain)\ncommunities = algorithms.louvain(g)\n\n# 3. 输出结果\nprint(f\"检测到的社区数量：{len(communities.communities)}\")\nfor i, community in enumerate(communities.communities):\n    print(f\"社区 {i}: {community}\")\n\n# 4. 评估模块度 (Modularity)\nmodularity = communities.quality().score\nprint(f\"模块度得分：{modularity}\")\n```\n\n**3. 运行脚本**\n```bash\npython test_community.py\n```\n\n若需使用特定的前沿算法（如基于深度学习的模型），请依据仓库中 `deep_learning.md` 章节提供的链接，进入对应子项目的 README 遵循其特定的安装与运行指令。","某社交网络公司的数据科学团队正致力于优化推荐算法，需要从亿级用户互动图中精准识别出具有共同兴趣的潜在社群。\n\n### 没有 awesome-community-detection 时\n- **文献检索效率低下**：研究人员需在 Google Scholar 和 arXiv 上手动筛选海量论文，难以区分哪些研究提供了可运行的代码实现。\n- **技术选型盲目**：面对矩阵分解、谱聚类、深度学习等十余种技术流派，缺乏系统分类，导致团队花费数周试错才找到适合动态图数据的算法。\n- **复现成本高昂**：找到的论文往往缺少官方代码或依赖环境复杂，工程师需从零重写核心逻辑，严重拖慢项目迭代进度。\n- **前沿视野受限**：容易忽略基于物理模型或超图等新兴交叉领域的最新成果，导致推荐策略停留在传统方法，错失提升准确率的机会。\n\n### 使用 awesome-community-detection 后\n- **资源获取一站式完成**：直接查阅按“深度学习”、“时间演化”等类别整理的清单，快速锁定带完整代码库的高质量论文，检索时间从数天缩短至几小时。\n- **精准匹配业务场景**：针对用户关系随时间变化的特性，团队迅速定位到\"Temporal Methods\"章节中的前沿算法，避免了在静态图模型上的无效投入。\n- **工程落地加速**：利用列表中提供的成熟开源实现，团队仅需微调参数即可部署基线模型，将原本一个月的复现周期压缩至三天。\n- **技术创新有据可依**：通过浏览\"Hypergraphs\"和\"Physics Inspired\"等细分领域，团队引入了高阶关系建模思路，显著提升了小众兴趣社群的挖掘精度。\n\nawesome-community-detection 通过将分散的学术成果转化为结构化的工程资产，让算法团队能从繁琐的调研中解脱，专注于解决真实的业务难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbenedekrozemberczki_awesome-community-detection_cb8914f4.png","benedekrozemberczki","Benedek Rozemberczki","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fbenedekrozemberczki_4cc882ba.png","Machine Learning Research Scientist at Google| PhD from The University of Edinburgh.","@google","United Kingdom","benedek.rozemberczki@gmail.com","benrozemberczki",null,"https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,2438,357,"2026-04-15T17:12:56","CC0-1.0",1,"","未说明",{"notes":95,"python":93,"dependencies":96},"该项目是一个社区检测研究论文的精选列表（Awesome List），并非可执行的软件工具或代码库，因此没有具体的运行环境、依赖库或硬件需求。用户可通过提供的链接查阅相关论文及指向具体实现代码库的引用。",[],[98,14,16],"其他",[100,101,102,103,104,105,106,107,108,109,110,111,112,113,114,115,116,117,118,119],"graph-clustering","network-clustering","clustering","dimensionality-reduction","factorization","embedding","deep-learning","matrix-factorization","igraph","networkx","bigclam","network-science","social-network","network-analysis","node2vec","deepwalk","unsupervised-learning","data-science","machine-learning","community-detection","2026-03-27T02:49:30.150509","2026-04-18T02:26:06.027500",[123,128,133,138,143,147],{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},38586,"为什么无法下载某些论文的代码（例如 t-PINE）？","通常是因为原始链接已失效且作者未重新发布代码。建议直接根据论文中的联系方式尝试联系原作者获取代码。","https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fissues\u002F17",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},38587,"如何向该仓库贡献新的论文实现或综述文章？","维护者欢迎社区贡献。您可以直接提交拉取请求（Pull Request, PR）来添加内容。如果您希望维护者代为添加，也可以在 Issue 中提供详细信息，但提交 PR 是更推荐的贡献方式。","https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fissues\u002F6",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},38588,"是否可以将方法的分类方式从“主题”改为“标签”（Tags）？","这是一个很好的建议，使用标签（如 overlapping, node-embedding, deep-learning 等）可以更灵活地标记论文。但由于维护者目前精力有限，难以一致性地为所有论文添加标签，因此欢迎社区成员通过提交 PR 的方式来协助完成标签的添加工作。","https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fissues\u002F12",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},38589,"仓库是否收录基于多目标进化算法（MOEA）的社区发现算法？","目前仓库中可能尚未系统收录此类算法。维护者鼓励发现相关代码的用户直接提交拉取请求（PR）将其添加到列表中，以丰富仓库内容。","https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fissues\u002F20",{"id":144,"question_zh":145,"answer_zh":146,"source_url":132},38590,"是否有特定的论文实现了 C++ 版本的社区发现算法？","是的，例如 B. Ball 等人发表的 \"Efficient and principled method for detecting communities in networks\" 论文，作者提供了 C++ 实现。这类由作者官方提供的实现代码会被收录在仓库中，用户可以通过仓库列表找到对应的代码链接。",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},38591,"如何查找重叠社区发现（Overlapping Community Detection）的相关资源？","仓库中收录了多篇关于重叠社区发现的论文及其实现，例如 P. Gopalan 和 D. Blei 的 \"Efficient discovery of overlapping communities in massive networks\" (SVI on a-MMSB)。建议浏览仓库列表或通过搜索关键词“overlapping”来定位相关资源，同时也欢迎用户提交更多相关论文的 PR。","https:\u002F\u002Fgithub.com\u002Fbenedekrozemberczki\u002Fawesome-community-detection\u002Fissues\u002F5",[153],{"id":154,"version":155,"summary_zh":80,"released_at":156},314496,"v_0001","2021-05-04T20:39:26"]