اكتشاف المجتمعات يمثل تحديًا أساسيًا في تحليل الرسوم البيانية، إذ يسعى إلى تحديد المجموعات المتماسكة من الكيانات ذات السلوكيات أو الاهتمامات المماثلة. بينما كانت الطرق التقليدية تعتمد على أهداف محددة، كانت تعاني من صعوبات في التعامل مع الهياكل المعقدة، الأمر الذي دفع المتخصصين إلى استخدام طرق التعلم العميق. على الرغم من أن هذه الطرق قد حسّنت الأداء، إلا أنها غالبًا ما تتطلب بيانات مصنفة وتدريب، مما يحد من إمكانية استخدامها في بعض الحالات.

هنا تظهر قوة نماذج اللغة الكبيرة (Large Language Models)، التي تمتاز بقدرتها على الاستدلال ومعرفتها الواسعة. لتعزيز هذه القدرات، تم تقديم LUCID، وهي طريقة اكتشاف مجتمعات غير إشرافية وبدون تدريب، تهدف إلى تحقيق تفسير أوضح للنتائج.

تم تصميم LUCID كعملية مؤلفة من أربع مراحل مستوحاة من الديناميكيات الانتقالية في الأنظمة الطبيعية، حيث تتكون هياكل معقدة عبر عمليات بدء، دمج، تنقيح، واختيار. في كل مرحلة، تقوم نماذج اللغة الكبيرة بإنشاء قواعد رسمية، تترجم المعرفة الضمنية إلى هياكل منطقية واضحة ومتاحة للتفسير.

1. **مرحلة بدء المجتمع بمشاهدة محلية** تعالج الهياكل المحلية للرسوم البيانية باستخدام سياقات k-ego وأدوار العقد غير الإشرافية.
2. **مرحلة دمج المجتمع متعدد العوامل** تستفيد من القواعد المستندة إلى نماذج اللغة الكبيرة لدمج المجتمعات المحلية بشكل تكراري.
3. **مرحلة تنقيح المجتمع متعدد الحبيبات** تطبق القواعد المستندة إلى نماذج اللغة الكبيرة لتقليل الضجيج الحدودي.
4. **مرحلة اختيار المجتمع من المنظور العام** تركز على تحديد المجتمعات عالية الجودة استنادًا إلى تجميعات الطوبولوجيا ووضوح الحدود.

أظهرت التجارب الواسعة على مجموعات بيانات حقيقية أن LUCID، باعتبارها نهجًا غير إشرافي، تحقق أداءً متقدمًا يتفوق باستمرار على الأساليب الرائجة في هذا المجال.