如果对这些权重进行签名，则加权网络的模块化的直接推广将不起作用。直截了当，我的意思是：只使用权重矩阵而不是邻接矩阵，就像纽曼在(Newman 2004)中所做的那样。您需要一个特定的版本，例如 BenjaminLind 引用的版本，或(Gomez et al. 2009)的版本。

在这两篇文章中，他们解释了这样做的原因。总而言之：模块化依赖于一些归一化程度（或加权网络情况下的强度）可以被视为概率的事实。估计和之间存在链接的概率，其中和是节点和的各自强度，是所有网络节点的总强度。如果某些权重为负，则原始归一化不再保证中的值，因此上述$i$$j$$p_ip_j=w_iw_j/(2w)^2$$w_i$$w_j$$i$$j$$w$$[0,1]$$p_ip_j$数量不能被视为概率。

为了解决这个问题，Gomez等人。分别考虑正面和负面的联系。他们获得两个不同的模块化值：一个用于正链接，一个用于负链接。他们从前者中减去后者以获得整体模块化。

是的，它可以。用于社区检测的自旋玻璃模型可以从加权签名图计算模块化。您需要 Traag 和 Bruggeman的“具有正负链接的网络中的社区检测”作为参考。igraph 中的函数“spinglass.community()”可以找到社区并返回图的模块化。

我们已经在本文中指出了带符号网络的模块化[-alike] 函数问题。随着网络中负链接的绝对数量增加，他们倾向于更多地忽略社区的正密度。

另外，这里是我们用于加权签名网络的开源 java 项目，它基于Constant Potts 模型（类似于 Modularity）、快速Louvain 算法和基于Map Equation扩展的社区评估。

Esmailian, P. 和 Jalili, M.，2015 年。签名网络中的社区检测：不同规模的负面联系的作用。科学报告，5，p.14339