近年來社群網路有著蓬勃的發展，社群網路的分析也隨之變成熱門的主題，社群網路中的成員，通常藉由由一個或多個特定類型的相互依存關係而連結在一起，如價值觀、理想、觀念、友誼、血緣、合作等等關係。在社群網路上有一種獨特的特性，我們稱之為社群結構，在同一個社群裡的成員彼此之間會有更多的共同關係和互動，而了解社群結構可以發掘更多有用的資訊。在過去已有許多研究可以在靜態的網路中檢測社群結構，然而社群網路上的使用者以及使用者之間的關係會隨著時間而變動，我們提出有效率的追溯與動態更新社群結構的方法，導入核心社群結構的概念，在不同時間點上追溯核心社群結構的變化，發掘動態的社群結構上。

　　我們以基於Clique的演算法做為基礎，將現有的CPM演算法做出改良，使用3-Cliques為基礎，接著以該核心社群結構為已知的資訊，在新的時間點的社群網路上追溯這些已知的資訊以便得知社群網路的變化。為了達到有效率的更新和追溯，針對有變化的部分，我們提出Clique Adjacent Bipartite Graph (CAB graph)來記錄Cliques，並將核心社群結構轉換成此資料結構來表示，透過此特殊資料結構的特性以提高追溯的效率，發展出有效率的動態更新演算法，所以我們將運用不同的資料結構來檢測社群，使得基於Clique的方法複雜度降至最低，其成果發表於ACM SIGKDD Conference的SNAKDD workshop中。

　　社群網路結構檢測是近年來廣泛被研究的題目，過去已經有許多文獻提出分群檢測演算法，然而近年來社群網路資料爆炸成長，相較於需計算整個網路圖的全域性分群演算法，區域性分群演算法大多採取選擇社群核心及核心擴張的策略，僅需考慮社群網路上部分的資訊，更適合應用在大型的社群網路上。現有的區域性社群演算法大多只探討核心周圍的節點是否可加入核心社群中，但只考慮單一節點會失去太多的資訊，造成社群檢測效果不佳，因此我們針對過去區域性分群演算法的缺點，提出一套演算法，選擇社群核心及考慮核心周圍節點所形成的鄰居社群，設計核心集合與鄰居社群的擴張策略，進而達到更準確的社群檢測。