找到正确数量的类的问题尚未解决，有很多方法可以解决这个问题。对于一般方法，您可以查看在 k-means 中找到 k 的问题。

在进行谱分析时，可以使用 eigengap 方法找到类数的良好近似值。它包括计算图拉普拉斯算子的连续有序特征值之间的差异。

如果说，第 4 和第 5 个特征值之间的差异与其他差异相比很大，那么图中很可能会有 4 个类。但是请注意，没有完美的方法来说明差异是否足够大。特别是，仅仅考虑最大的差异可能不会导致最好的分区。

一种常见的技术是考虑多个类别并执行多个 k-means（或任何其他聚类）。然后，根据一些外部措施，保持分区具有最高质量。

如果你使用 R 或 Python（甚至 C），你可以看看优秀的igraph包。特别是，看看这个包实现的各种社区检测算法。您讨论的内容与 Newman (2006) 的主要特征向量算法密切相关。这是介绍这个算法的论文，读起来很有趣。

一个好的策略是实现几个社区检测算法并聚合结果。这导致算法独立，更稳定和显着的结果。这是我为此目的编写的函数的链接。您可以使用的一种“外部措施”（如上面 P.-N. Mougel 所述）是模块化。