En la actualidad, debido al extenso uso de redes de información en una amplia gama de campos, por ejemplo, bioinformática, sociología, marketing digital, ciencias de la computación, etc., las aplicaciones de la teoría de grafos han atraído un interés científico significativo. Debido a su aparente abstracción, la detección de comunidades se ha convertido en uno de los problemas de partición de grafos más estudiados. Sin embargo, los algoritmos existentes proponen principalmente soluciones iterativas de alto orden polinómico que requieren repetidamente un análisis exhaustivo. Estos métodos sin duda pueden considerarse exigentes en recursos, no escalables e inaplicables en grafos de big data, como las redes sociales actuales. En este artículo, se introduce una metodología de predicción de comunidades novedosa, casi lineal y altamente escalable. Específicamente, utilizando un modelo basado en apilamiento distribuido, que se construye sobre las características de la topología de la red de subgráficos muestreados de forma aleatoria, jerarquía de comunidades subyacente de cualquier red social dada se extrae eficientemente a pesar de su tamaño y densidad. La efectividad de la metodología propuesta ha sido examinada diligentemente en numerosas redes sociales de la vida real y se ha demostrado superior a varios enfoques similares en términos de rendimiento, estabilidad y precisión.