富人俱乐部系数及其归一化

定义

为什么必须归一化

度高的节点“天然”更可能彼此相连。Colizza 等推导出无相关网络在大 $k$ 处 $\phi_{\text{unc}}(k)\sim k^2/(\langle k\rangle N)$，即使完全随机，$\phi(k)$ 也随 $k$ 单调上升。早期一些研究据此认为互联网存在富人俱乐部；Colizza 等用 $\rho_{\text{ran}}$ 重新分析，发现科学合作网络有明显的富人俱乐部，而蛋白质相互作用网络和自治系统层面的互联网 $\rho_{\text{ran}}(k)$ 随 $k$ 下降、低于 1，即高度蛋白之间的连接反而少于随机预期。他们的解释是，高度蛋白各自主导不同的功能模块，而不是组成一个互连的核心。

代码示例“富人俱乐部系数”显示：BA 网络的 $\phi(k)$ 从 $k>5$ 时的 0.010 上升到 $k>40$ 时的 0.26，但 $\rho\approx0.8$–$1.0$；植入富人俱乐部的网络在 $k>20$ 后 $\rho\approx4$。当 $N_{>k}$ 只剩个位数时（BA 网络 $k>60$ 只有 7 个节点），$\rho$ 的波动很大，不应据此下结论。

富人俱乐部与同配性的关系

两者都与“枢纽连不连枢纽”有关，但不是同一件事。$r$ 衡量所有边两端度的整体相关，由大量低度节点之间的边主导；$\phi(k)$ 只看度大于 $k$ 的子图密度。一个网络可以 $r<0$（大量枢纽-叶子边）而仍有富人俱乐部（少数最高度节点互相全连），人脑结构网络就常是这种情况。反过来，同配网络也不一定在最高度端形成稠密核心。

统计检验与变体

• 检验：对每个 $k$ 生成 $M$ 个保度随机网络，得到 $\phi_{\text{ran}}(k)$ 的零分布，计算经验 $p$ 值；不同 $k$ 的检验高度相关，可用置换得到的最大统计量控制族错误率，或预先规定 $k$ 的区间。
• 加权富人俱乐部：Opsahl 等（2008, PRL）把“富”定义为高强度等节点属性，计算富节点之间的权重占比，并以保持拓扑、打乱权重的零模型归一化。
• 按其他属性定义“富”：可用中心性、模块参与系数等替代度，但零模型应相应调整。
• 与空间零模型的关系：脑网络中高度脑区之间往往距离远、连接代价高，保度随机网络不保留空间结构；富人俱乐部的强度在空间约束零模型下可能减弱（见脑连接组）。