我有大约 10K 到 100K 个节点的网络，这些节点都已连接。这些节点通常被分组为社区集群，这些社区与它们之间的许多边缘紧密相连，并且存在集线器等。在社区之间，有一些边缘将社区桥接/连接在一起的节点。这些数据集在邻接矩阵中
我已经尝试过光谱聚类（Ding et al 2001），但它在大型数据集上真的很慢，并且当存在很多歧义时似乎停止工作（桥梁不是通往另一个集群的唯一桥梁路线 - 其他社区可以充当替代代理路由）。
我尝试了一些来自martelot的方法，例如用于模块化优化的 Newman 算法，但没有将稳定性优化功能纳入这项工作（这可能很关键吗？）。在由随机图（ER 图）创建集群的合成数据集上，这些方法有效，但在存在嵌套层次结构的真实数据集上，结果分散。使用独立的可视化应用程序/工具，桥梁是显而易见的。
您会推荐/建议尝试哪些方法？我正在使用 MATLAB。
你到底想做什么？检测社区，或它们之间的桥梁？这是两个不同的问题。一旦你有了社区，就很容易识别连接来自两个不同社区的节点的边。所以，我猜你想检测社区。
为此目的实际上有数千种方法，其中一些在 Matlab 中实现，例如您引用的那个，或广义的 Louvain 算法（也基于模块化优化）。但是，它们中的大多数都可以作为 C 或 C++ 程序使用，例如InfoMap（基于数据压缩范式）、WalkTrap（使用基于随机游走的距离进行聚类）、Markov Cluster（模拟一些传播机制）和列表继续...
这些工具或多或少不同地形式化了社区结构的概念，当应用于同一网络时，可能会导致不同的（估计的）社区结构。当然，不同的社区也意味着不同的桥梁。所以问题是要知道如何为您的数据选择合适的方法。你似乎有先验关于您正在学习的网络的知识，因此您应该使用它来做出选择（而不是编程语言）。例如，即使您没有明确说明，您似乎也在寻找一种分层的社区结构：并非所有工具都能够检测到这种结构。同样，如果您认为一个节点可以同时属于多个社区，那么您应该考虑寻找重叠的社区，例如使用CFinder（基于 clique 渗透）。
我建议你看看这篇关于社区检测的优秀评论，你可能会发现一些有趣的信息让你可以选择一种方法：Graphs 中的社区检测。此外，从编程的角度来看，我建议您使用igraph 库（可用于 C、R 和 Python）：它包含几个标准的社区检测工具。你可以在你的数据上试用它们，看看你会得到什么。