网络结构指标与随机图19 / 19
适用范围与常见误用
- 误区：平均度相同的两个网络结构相似。→ 正解：平均度只是度分布的一阶矩，均匀分布与重尾分布可以有同样的平均度，但结构和功能（如鲁棒性、传播阈值）截然不同。
- 误区：平均聚集系数和传递性是同一个指标。→ 正解：前者对节点等权平均，后者按连通三元组数加权，数值可能差别很大（空手道网络 0.57 对 0.26），报告时要写明定义。
- 误区：网络不连通时，直接调用函数算平均路径长度就行。→ 正解：不连通网络的平均路径长度为无穷大（NetworkX 会报错）；应在最大连通分支上计算并报告其规模，或改用全局效率。
- 误区：全局效率就是平均路径长度的倒数。→ 正解： 是距离调和平均的倒数，连通网络中 ，二者只在所有距离相等时相同。
- 误区：ER 网络与真实网络不符，所以 ER 模型没有用。→ 正解：ER 网络是最基本的零模型，正是通过与它比较，才发现了真实网络的高聚类和重尾度分布。
- 误区：加权网络的最短路径可以直接把相关系数当作“距离”。→ 正解：相关越强表示连接越近，应先把权重转换成长度（如取倒数），否则最短路径会走“最弱”的连接。
- 误区：加权聚集系数只有一种。→ 正解：Onnela 与 Barrat 等定义回答不同问题，可能朝相反方向偏离无权值；应注明定义与软件实现。
- 误区：中心性最高的节点就是最重要的节点。→ 正解：每种中心性对应一种流动假设，排名随指标、方向、权重和数据误差改变；“重要”需要按研究问题定义，并用独立证据检验。
- 误区：PageRank 比度“更高级”，在无向网络上也能给出新信息。→ 正解：无向网络上 PageRank 与度高度相关（无随机跳转时正比于度），额外信息主要来自有向结构或个性化跳转向量。
- 误区：特征向量中心性可以直接用于任何有向网络。→ 正解：不在强连通核心下游的节点得分为 0；有向网络应使用 Katz、PageRank 或 HITS。
- 误区：ER 网络 就是连通的。→ 正解： 只保证存在巨分支；整个网络连通需要 。