社团结构与社区发现13 / 19
社团发现方法的比较
| 方法 | 核心思想 | 速度 | 需要预设社团数？ | 适用情形 |
|---|---|---|---|---|
| Girvan–Newman | 反复删除边介数最大的边 | 慢， | 否（按 选层） | 小网络、概念演示、需要完整层次 |
| 贪心模块度（CNM） | 逐步合并使 增加最多的社团对 | 快 | 否 | 历史方法；倾向于形成大社团 |
| Louvain | 局部移动 + 聚合，贪心优化 | 很快，近线性 | 否（可调分辨率） | 大网络；注意可能出现连接不良的社团 |
| Leiden | Louvain + 细化，保证社团连通 | 很快 | 否（可选模块度或 CPM） | 大网络的默认选择 |
| 模块度谱方法 | 模块度矩阵的主特征向量 | 中等 | 否（递归二分） | 中等规模，结果确定 |
| 拉普拉斯谱聚类 | 拉普拉斯矩阵特征向量 + k 均值 | 中等 | 是 | 已知社团数的情形 |
| Bethe Hessian / 非回溯谱 | 稀疏网络中不局域化的谱 | 中等 | 可由负特征值个数估计 | 稀疏网络、接近可检测阈值 |
| 层次聚类（Ravasz、WGCNA） | 相似度 + 逐步合并 | 中等 | 剪枝高度需选择 | 加权网络、共表达网络 |
| 标签传播 | 节点采用邻居中最多的标签 | 极快 | 否 | 超大网络的粗略划分；不稳定 |
| 随机块模型（DC-SBM，贝叶斯） | 生成模型 + 后验推断 | 较慢（MCMC） | 否（模型选择） | 需要统计证据、非同配结构或不确定性估计 |
| Infomap | 最小化随机游走描述长度 | 快 | 否 | 有向、加权、以“流”为意义的网络 |
| 团渗流（CFinder） | 相邻 -团的并 | 视网络而定 | 需选 | 重叠社团、富含三角形的网络 |
| 连边聚类 | 对边做层次聚类 | 中等 | 由划分密度确定 | 重叠且层次化的社团 |
| 多层模块度 | 层内模块度 + 层间耦合 | 中等 | 否（需选 ） | 时变或多关系网络 |
选择方法的几条经验：
- 先明确问题：要描述网络（描述性）还是要检验“是否存在分组、有多少组”（推断性）？要找同配社团还是一般的分块结构？节点能否属于多个社团？
- 网络的类型：有向且以流动为意义时考虑 Infomap；稀疏且信号弱时注意可检测性；加权的相关网络（共表达、功能连接）中，先想清楚负权与阈值的处理。
- 至少用两类方法：例如 Leiden（模块度或 CPM）与 DC-SBM 或 Infomap 对照。若结论只在一种方法下成立，应谨慎解释。