社团结构与社区发现19 / 19
适用范围与常见误用
- 误区：模块度越高，社团结构就越“真实”。→ 正解：随机网络也能得到不低的 ，且 存在分辨率极限和简并性。应把 与保度随机网络的结果比较，并检查划分的稳定性和生物学意义。
- 误区：Girvan–Newman 算法只需计算一次边介数，然后按从大到小依次删边。→ 正解：每删一条边，最短路径都会改变，必须重新计算所有边的边介数。
- 误区：Louvain 算法每次运行的结果都相同。→ 正解：Louvain 和 Leiden 依赖节点访问顺序等随机因素，应固定随机种子以便复现，并通过多次运行评估稳定性。
- 误区：社团发现算法找到的社团就是生物学功能模块。→ 正解：社团是拓扑上的结构，是否对应功能需要通过富集分析、已知复合物或独立数据验证。算法、参数和网络构建方式不同，社团也会不同。
- 误区：分辨率参数可以随意调，选一个“看起来最好”的就行。→ 正解：分辨率决定观察尺度。若根据结果挑参数，结论就带有主观性；应事先确定选择标准，或展示结论在一系列参数下的稳健性。
- 误区：Louvain 的社团一定是连通的。→ 正解：Louvain 可能产生连接不良甚至不连通的社团；应检查每个社团的连通性，或改用 Leiden。
- 误区：没找到社团（或与已知分组不一致）说明网络没有模块结构。→ 正解：在稀疏网络中，信号低于可检测性阈值时任何算法都会失败；同时元数据也不一定对应网络结构。
- 误区：用 NMI 比较社团数差别很大的两个划分。→ 正解：NMI 在组数多时对随机划分也会给出正值，应同时报告 ARI 或 AMI 与社团数。
- 误区：在加权相关网络上直接运行为无权图设计的算法。→ 正解：先决定阈值与负权的处理方式；正负边需要分别建模，不同阈值下的社团结果应一并报告（见网络构建与统计验证）。
- 误区：把标准 SBM 用在度高度异质的网络上。→ 正解：标准 SBM 会按度分组；应使用度修正 SBM，并用模型选择而不是似然大小决定组数。