شبکه‌های پیچیده و تحلیل گراف‌ها، امروزه نظر دانشمندان را به خود جلب کرده است. و یکی از مهم‌ترین موضوعات در تحلیل شبکه‌های پیچیده و گراف‌ها شناسایی جوامع است و نقشی اساسی در فهم ساختار، الگوهای ارتباطی و رفتار سیستم‌های پیچیده و پویا ایفا می‌کند. محدودیت روش‌های کلاسیک در استخراج هم‌زمان ویژگی‌های توپولوژیکی و وابستگی‌های ترتیبی، ضرورت بهره‌گیری از مدل‌های ترکیبی و هوشمند را برجسته کرده است. در پاسخ به این نیاز، پژوهش حاضر یک مدل ترکیبیGNN–LSTM را برای بهبود فرآیند شناسایی جوامع معرفی و ارزیابی کرده است. در این پژوهش یک مدل بر پایه GNN-LSTM معرفی شده است که ابتدا مجموعه داده، از این لایه‌های GNN گذرانده می‌شود تا ویژگی‌های ساختاری گراف را یاد بگیرد و بعد از آن از لایه‌های LSTM گذرانده می‌شود تا وابستگی ترتیبی بین گره‌ها را بیاموزد، سپس برای تشخیص جوامع و برچسب گره‌ها از چندین لایه شبکه عصبی مصنوعی استفاده شده است. بعد از مشخص شدن جوامع اولیه از یک روش محلی برای تشخیص گره‌های مرزی که ممکن است مدل ما در تشخیص جوامع درست آن‌ها دچار اشتباه شده باشد بهره برده‌ایم و درنهایت برچسب مناسب گره‌های مرزی را تشخیص می‌دهیم. مرحله آخر یعنی تشخیص گره‌های مرزی و جوامع آن‌ها جزء مراحل حیاتی الگوریتم ما بوده و باعث می‌شود جوامع متراکم‌تر و دقیق‌تری را پیدا کنیم و به طور کلی موجب بهتر شدن نتایج می‌شود. نتایج حاصل از ارزیابی‌ها نشان می‌دهد که ادغام ظرفیت استخراج ویژگی ساختاری توسط GNN با توان مدل‌سازی روابط ترتیبی در LSTM منجر به بهبود عملکرد در مقایسه با سایر روش‌های تشخیص جامعه شده است.