复杂网络：社区发现

社区发现尝试识别网络中连接模式相近的节点群。常见的凝聚型社区表现为组内连接较密、组间连接较疏，但二部结构、核心—边缘结构并不一定符合这种定义。

模块度衡量什么

无向网络的模块度可写为 Q=(1/2M)Σᵢⱼ[Aᵢⱼ−kᵢkⱼ/(2M)]δ(cᵢ,cⱼ)。它比较同一社区内部的实际连边与保持度信息的基准预期；δ 在两节点属于同一社区时取 1，否则取 0。较大的 Q 表示相对该基准有更多组内连接，但不能单独证明社区对应真实群体。

Louvain 的基本过程

Louvain 是模块度优化的启发式方法：先局部移动节点以提高模块度，再把社区聚合成新网络，重复优化。它适合快速探索，但结果可能受节点处理顺序、随机种子和分辨率参数影响，并不保证得到全局最优解。

三个必须检查的问题

• 分辨率：不同参数下，群体可能被合并或拆分；标准模块度存在分辨率限制。
• 稳定性：改变随机种子或轻微扰动边，划分是否保持？不要只报告一次最漂亮的结果。
• 解释性：社区与已知属性的关系需要额外验证，不能仅凭可视化给群体赋予含义。

建议分析流程

1. 明确方向、权重、孤立节点及自环的处理。
2. 记录算法实现、分辨率和随机种子。
3. 比较多次运行和多种参数的社区数量、规模与一致性。
4. 结合外部属性解释，并保留不确定性。

参考

NetworkX：Louvain 算法及参数；Fortunato & Hric：Community detection in networks: A user guide。