已经提出了许多算法来拟合具有社区的网络模型，但大多数算法不能很好地扩展到大型网络，并且在稀疏网络上常常失败。在这里，我们提出了一种新的快速伪似然方法来拟合网络的随机块模型，以及一种通过以度为条件来允许任意度分布的变体。我们表明，这些算法在一系列设置下表现良好，包括在非常稀疏的网络上，并以政治博客网络为例进行了说明。我们还提出了带扰动的谱聚类，这是一种独立感兴趣的方法，适用于常规谱聚类失败的稀疏网络，并使用它来提供伪似然的初始值。我们证明，对于具有两个社区的块模型，在温和条件下，伪似然对社区的初始值提供了一致的估计。