想象你是这座城市的规划师，手里有一张居民交往关系图——谁常去谁家串门，谁和谁又老死不相往来。你的任务不是生硬地划分行政区，而是发现那些早就自然形成的“朋友圈”。社区发现要解决的就是这样一件事：在一张大网中找出内部紧密、外部稀疏的群体。Louvain和Leiden就是两套常用的“划圈”算法，前者像跟着直觉走的热心社工，快但偶尔会出错；后者像戴着放大镜耐心核对的质检员，慢一些但更可靠。而模块度就是大家公认的“划分质量打分表”，中心性则用来寻找圈子里的意见领袖。掌握了这套工具，你就能从社交网络、电商推荐甚至基因调控网络里，读取出隐藏的结构脉络。

岗位关联

学完本节，你能理解社区发现的原理、掌握Louvain/Leiden算法的思想，并在实际图分析项目中选对工具、调好参数，让机器替你找出数据里的“小团体”。

目录
  1. 可视化演示
  2. 图论基础
  3. 社区发现概念
  4. 模块度优化
  5. Louvain算法
  6. Leiden算法
  7. 中心性分析
  8. 算法对比
  9. 工程实践
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示图网络社区发现两大核心算法：Louvain两阶段贪心优化（局部移动+社区聚合提升模块度Q）和Leiden改进（增加精炼阶段保证社区连通性），对比两者在模块度质量和连通性保证上的差异。

本节配有交互动效（进入视口后自动加载，约 3KB）。

网络社区结构 社区发现：在网络中自动识别内部连接密集、外部连接稀疏的节点群 模块度Q衡量社区划分质量，Q越大社区结构越显著 同社区节点用相同颜色标识，社区边界用虚线标注 Q = Σ（内部边比例 - 期望边比例） 社区发现是网络科学的核心任务。

图论基础

每个社区发现任务都始于一张“城市关系图”：一个人是图上的点，一次走动就是一条线；走动越频，线就越粗。这张图不是凭空而来，而是真实世界关系的抽象。图论就是专门研究“点与线”组合规律的数学分支，它不关心你是谁，只关心你和谁连接在一起。

在技术术语里，点叫“节点”，线叫“边”。若边只表示“有关系”，就称无向图；若边还带一个数值表示亲密度，就称有权图。社区发现算法读入的就是这样一张图，输出的是节点分组。为了让计算机高效处理，我们常把图写成一个矩阵。矩阵的行和列都对应到节点，第 \(i\) 行第 \(j\) 列的值表示节点 \(i\) 和 \(j\) 的关系。

邻接矩阵是图的标准存储方式之一，它的定义很直接：

这套“点线关系表”就像城市户籍录：谁和谁来往过，一眼便知。有了这张底表，后面所有的社区发现算法才能登场。

Aij={1(i,j)∈E0otherwise\displaystyle A_{ij} = \begin{cases} 1 & (i,j)\in E \\ 0 & \text{otherwise} \end{cases}
  1. 节点编号 \(i\) 与 \(j\)矩阵的行和列分别代表两个节点，可以是你、我、一台路由器或任何实体。
    AijA_{ij}
  2. 边存在条件当这两个节点之间存在一条边时，矩阵中对应位置写 1。
    (i,j)∈E(i,j)\in E
  3. 无连接情况若没有边，则写 0，表示两个节点没有直接联系。
    Aij=0A_{ij}=0

社区发现概念

回到城市，虽然户籍录上全是“一对一对”的关系，但我们真正想知道的是一群人的朋友圈：哪些人形成了一个紧密的圈子，圈子之间几乎没有往来。社区发现的目标就是自动把这些圈子从大网中剥离出来。

在图上，一个社区是一组节点，内部边数多、外部边数少。这种“内紧外松”的结构对应现实里的兴趣小组、工作团队、基因功能模块等。社区发现算法并不需要你告诉它圈子的数目，而是会根据结构自己判断。为了量化“内部有多紧密”，我们常用社区内部密度 \(\rho(C)\)，它表示实际内部边数占“完全两两相连边数”的比例：

密度越高，说明这个圈子越“齐整”；但现实中社区也可以嵌套、重叠，这里我们聚焦最常见的“硬划分”：每个节点只属于一个社区。理解了目标，下一步就是如何评价划分好坏。

ρ(C)=∣Ein(C)∣(∣V(C)∣2)\displaystyle \rho(C) = \frac{|E_{in}(C)|}{\binom{|V(C)|}{2}}
  1. 内部边数分子是社区内部实际存在的边数，如一个圈子里真正认识的人对数。
    ∣Ein(C)∣|E_{in}(C)|
  2. 可能边数分母表示若社区内所有节点两两相连会有多少条边，即最大可能连接数。
    (∣V(C)∣2)\binom{|V(C)|}{2}
  3. 密度范围比值越接近 1，社区内部连接越稠密；越接近 0，说明圈子越松散。
    ρ(C)∈[0,1]\rho(C) \in [0,1]

模块度优化

圈出来之后，如何判断这次划分好不好？就好比城市规划师提出了好几版街区方案，需要一张通用评分表。图分析领域最常用的评分表叫模块度（Modularity）。它的核心思想是：好的社区划分不应该像随机网络那样偶然而成。

模块度把“真实连接数”和“随机期望连接数”作比较，把差异累加起来。如果真实社区内部的连接数明显高于随机期望，评分就高。随机期望指的是：在保持每个节点度数不变的前提下，如果边完全随机放置，社区内部大概会出现多少条边。公式如下：

模块度是整个 Louvain/Leiden 算法的指挥棒——两者都在最大化模块度。模块度高说明划出来的圈子比随机碰巧聚在一起更像是真正的朋友圈。

Q=12m∑ij[Aij−kikj2m]δ(ci,cj)\displaystyle Q = \frac{1}{2m}\sum_{ij}\left[A_{ij}-\frac{k_i k_j}{2m}\right]\delta(c_i,c_j)
  1. 总边数和的总量\(m\) 是图中边的总数，\(2m\) 是所有节点度数之和，也就是边权和的两倍。
    m=∣E∣m=|E|
  2. 实际连接\(A_{ij}\) 是原始连接指示，若节点 \(i\) 和 \(j\) 实际有边则为 1，否则为 0。
    Aij∈{0,1}A_{ij}\in\{0,1\}
  3. 随机期望\(\frac{k_i k_j}{2m}\) 是在随机连接下，节点 \(i\) 和 \(j\) 之间期望的边数；\(k_i\) 是节点 \(i\) 的度数。
    kikj2m\frac{k_i k_j}{2m}
  4. 同社区指示\(\delta(c_i,c_j)\) 当 \(i\) 和 \(j\) 属于同一社区时为 1，否则为 0，保证只累加社区内部的差异。
    δ(ci,cj)={1ci=cj0otherwise\delta(c_i,c_j) = \begin{cases}1 & c_i=c_j \\ 0 & \text{otherwise}\end{cases}
  5. 总平均对所有节点对求和，再除以 \(2m\)，得到模块度 \(Q\)。\(Q\) 越接近 1，说明社区结构越明显。
    Q=12m∑ij[⋯ ]Q=\frac{1}{2m}\sum_{ij}\left[\cdots\right]

Louvain算法

明白了评分表，算法就好理解了。Louvain 算法像是在社区里工作多年的热心社工：他先挨家采访，看到邻居们已经搬进了某个圈子，也盘算自己搬过去能涨多少“人气分”；搬到没人愿意动时，再把每个圈子看成一个“大居民点”继续下一轮。

技术上，Louvain 由两个阶段交替进行。第一阶段做局部移动：每个节点尝试加入邻居所在的社区，选择让模块度增益最大的那个。第二阶段做网络聚合：把已经形成的社区压缩成新节点，边权合并。两阶段反复直到模块度不再提升。判断搬家的核心是模块度增益 \(\Delta Q\)，若把节点 \(i\) 从独立社区移入社区 \(C\)，增益可写成：

整个过程像社工组织搬家：每轮都有人搬到更适合的圈子，然后整个社区合并成“街区”，在新的尺度上继续调整。Louvain 的优点是极快，适合大规模网络；但它偶尔会拆出互不连通的“假社区”，这为 Leiden 的出场埋下伏笔。

ΔQ(i→C)=ki,in2m−kiΣtot(2m)2\displaystyle \Delta Q(i\to C) = \frac{k_{i,in}}{2m} - \frac{k_i \Sigma_{tot}}{(2m)^2}
  1. 连接到社区内部的边\(k_{i,in}\) 是节点 \(i\) 连向目标社区 \(C\) 内所有节点的边权和。
    ki,in=∑j∈CAijk_{i,in} = \sum_{j\in C} A_{ij}
  2. 节点总度数\(k_i\) 是节点 \(i\) 与所有邻居连接的边权之和，代表它的社交总能量。
    ki=∑jAijk_i = \sum_j A_{ij}
  3. 社区总度数\(\Sigma_{tot}\) 是社区 \(C\) 内所有节点的度数之和。
    Σtot=∑j∈Ckj\Sigma_{tot} = \sum_{j\in C} k_j
  4. 收益与期望之差第一项是搬家后内部连接的实在收益，第二项是随机期望应扣掉的成本；若差为正，就搬家。
    ΔQ=ki,in2m−kiΣtot(2m)2\Delta Q = \frac{k_{i,in}}{2m} - \frac{k_i \Sigma_{tot}}{(2m)^2}

Leiden算法

Leiden 算法像是给 Louvain 配备了一名质检员。社工虽然搬得快，却没检查搬完后的社区是否真的“道路相通”；万一一个圈子里有两拨人互不来往，却被记成同一个朋友圈，那就不真实了。Leiden 专门修正这个隐患。

Leiden 同样以模块度为目标函数，但增加了一个“细化分区”步骤：先做局部移动，再随机细化并重新分配节点，最后才聚合。细化过程中每一步都确保每个社区诱导出的子图是连通的——不允许出现“飞地”。写成优化问题就是：

有了“必须连通”这层保障，Leiden 在中小规模网络上往往能得到比 Louvain 质量更高、更稳定的社区。代价是稍多一些计算时间。所以在要求严谨的场景，越来越多团队转向 Leiden。

max⁡C′  Q(C′)s.t.∀c∈C′,  G[c] 是连通子图\displaystyle \max_{C'} \; Q(C') \quad \text{s.t.} \quad \forall c\in C',\; G[c] \text{ 是连通子图}
  1. 候选划分在所有可能的细分区划 \(C'\) 中选择一个，比如社工可能给出的多种方案。
    C′C'
  2. 目标函数仍然最大化模块度 \(Q(C')\)，即“朋友圈评分”越高越好。
    Q(C′)Q(C')
  3. 连通性约束对任意社区 \(c\)，它在原图中导出的子图 \(G[c]\) 必须连通，也就是圈子内部人人能通过边走通。
    G[c] 连通G[c] \text{ 连通}
  4. 与 Louvain 的区别Louvain 允许社区内部不连通，而 Leiden 把这个“质检”写进了约束里。
    C′∈{连通分区}C' \in \{\text{连通分区}\}

中心性分析

找到社区后，往往还想知道每个圈子里谁最关键。这就像认识了朋友圈后，还想找出谁是“组织者”“中间人”或“传声筒”。中心性分析就是用来给节点量“重要性”的一套尺子。

常见的中心性有：度中心性看谁交往广，接近中心性看谁离所有人近，特征向量中心性看谁连接着重要人物。而介数中心性刻画“桥梁”角色——如果一个人频繁出现在别人联系的最短路径上，他就是信息流通的关键。公式如下：

中心性让我们不止看见“圈子”，还能看见“圈子里谁在挑大梁”。一个经常出现在别人最短路径上的节点，就是社区里的“摆渡人”。

CB(v)=∑s≠v≠tσst(v)σst\displaystyle C_B(v) = \sum_{s \neq v \neq t} \frac{\sigma_{st}(v)}{\sigma_{st}}
  1. 最短路径总数\(\sigma_{st}\) 是节点 \(s\) 到 \(t\) 的所有最短路径条数，好比两个朋友之间所有最短的介绍路线。
    σst\sigma_{st}
  2. 经过 \(v\) 的路径数\(\sigma_{st}(v)\) 是这些最短路径中经过了节点 \(v\) 的条数。
    σst(v)\sigma_{st}(v)
  3. 比值含义\(\frac{\sigma_{st}(v)}{\sigma_{st}}\) 表示在所有 \(s\) 到 \(t\) 的捷径中，有多大比例必须经过 \(v\)。
    σst(v)σst\frac{\sigma_{st}(v)}{\sigma_{st}}
  4. 对所有点对求和累加网络中所有可能的 \(s,t\)，得到 \(v\) 的整体桥梁程度。
    CB(v)=∑s≠v≠t⋯C_B(v) = \sum_{s\neq v\neq t}\cdots

算法对比

Louvain 和 Leiden 都优化模块度，但一个像“快装队”，一个像“精装队”。实战中如何选？要看数据规模、对质量的要求以及是否在意社区连通性。除了主观经验，还需要客观指标。

常用评估指标包括：模块度绝对值和 NMI（归一化互信息）。NMI 用来比较算法划分结果与“标准答案”（真实标签）的吻合程度。如果手头有带标签的网络，NMI 能直观告诉哪个算法更接近真相。它的定义是：

总体经验是：大图、迭代时间宝贵时选 Louvain；小图、答案要严谨时选 Leiden。两者在多数基准网络上差距不会太悬殊，但 Leiden 的稳定性让它成为近年研究的新宠。

NMI(X;Y)=2I(X;Y)H(X)+H(Y)\displaystyle NMI(X;Y) = \frac{2I(X;Y)}{H(X)+H(Y)}
  1. 互信息\(I(X;Y)\) 表示两个社区划分 \(X\) 和 \(Y\) 共享的信息量，即两组圈子重叠的程度。
    I(X;Y)=H(X)−H(X∣Y)I(X;Y)=H(X)-H(X|Y)
  2. 熵\(H(X)\) 和 \(H(Y)\) 分别是两个划分各自的不确定性大小，圈子越多、分布越均匀，熵越大。
    H(X)=−∑xp(x)log⁡p(x)H(X)=-\sum_x p(x)\log p(x)
  3. 归一化因子分母是两个熵的和，用于把数值压到 \([0,1]\)，方便跨问题比较。
    H(X)+H(Y)H(X)+H(Y)
  4. 整体解读NMI 值越接近 1，两个划分越一致；接近 0 表示基本无关。
    NMI=1 完全一致NMI = 1 \text{ 完全一致}

工程实践

理论掌握后，最终要落到工程。就像拿到了规划图，还得选施工队、买材料、按工期推进。工程实践的要点可以归纳为：选对库、管好参数、注意规模。

Python 生态里，networkx 适合教学和小图；igraph、CDlib 提供了 Louvain/Leiden 的高性能 C 实现；处理大规模图建议使用 GraphX、Spark 等分布式方案。选择时注意库的许可证和安装便捷性。参数方面，Louvain/Leiden 实现通常有 resolution 参数 \(\gamma\)，它像“放大镜倍数”：\(\gamma\) 越大，社区越小越细；\(\gamma\) 越小，社区越大越粗。常用策略是先用默认参数跑一遍，再用 NMI 或人工抽样验证，按业务目标微调。

真实案例中，社交平台用社区发现做兴趣推荐，风控系统用它识别欺诈团伙，生物信息用它找蛋白质功能模块。工程上最好把社区划分结果可视化并定期重算，因为网络结构在变化。记住：算法是手段，业务洞察才是目的。

AI 应用场景

社交网络用户画像与兴趣推荐

阶段：特征工程与用户分群

解决的问题：传统基于单个用户行为的推荐数据稀疏，很难构建稳定的兴趣画像。社区发现可以将用户自动划入紧密互动的兴趣圈，从而在冷启动阶段为新用户推荐同圈热门内容。

具体案例：某音乐 App 用 Louvain 对用户的听歌行为图做社区划分，把用户分成“民谣簇”“电音簇”等，为新用户匹配同圈热门歌曲，实验期内歌曲点击率提升约 18%。

金融风控中的团伙识别

阶段：风险控制模型前置特征构建

解决的问题：欺诈往往以团伙形式出现，单个账户行为隐蔽，传统规则难以早期发现。社区发现能找出资金往来密集、对外关联稀疏的可疑团体，帮助风控团队锁定风险。

具体案例：支付平台对转账网络图使用 Leiden 划分社区，发现多个异常高密度社区，经人工规则确认后成功识别出冒充客服的电信欺诈团伙。

生物信息学的基因功能模块发现

阶段：网络模块分析

解决的问题：基因调控网络规模大、噪声高，需要找到功能相关的基因簇。Leiden 的连通性保障让生物解读更可信，避免把不相连的基因硬拼成一个模块。

具体案例：科研团队用 Leiden 分析蛋白质互作网络，识别出的社区与已知信号通路高度吻合，NMI 达到 0.72，辅助了未知基因功能预测。

Python 演示

python46 行
import networkx as nx def modularity(G, partition):    m = G.number_of_edges()    if m == 0:        return 0.0    q = 0.0    for u, v in G.edges():        if partition[u] == partition[v]:            q += 1.0 / (2 * m)    for node in G.nodes():        q -= (G.degree(node) / (2 * m)) ** 2    return q def simple_louvain(G, max_iter=50):    partition = {node: idx for idx, node in enumerate(G.nodes())}    for _ in range(max_iter):        improved = False        for node in G.nodes():            best_comm = partition[node]            best_q = modularity(G, partition)            for neighbor in G.neighbors(node):                cand = partition[neighbor]                if cand == best_comm:                    continue                trial = partition.copy()                trial[node] = cand                new_q = modularity(G, trial)                if new_q > best_q:                    best_q = new_q                    best_comm = cand            if best_comm != partition[node]:                partition[node] = best_comm                improved = True        if not improved:            break    return partition if __name__ == "__main__":    G = nx.Graph()    G.add_edges_from([(0, 1), (0, 2), (1, 2),                      (1, 3), (2, 3), (3, 4),                      (3, 5), (4, 5)])    part = simple_louvain(G)    print("社区划分:", part)    print("模块度:", modularity(G, part))
目的：用纯 Python 实现一个简化版 Louvain 局部移动过程，演示社区发现的核心逻辑——反复迁移节点，直到模块度不再上升。
  1. def modularity(G, partition):定义模块度评估函数，相当于搭建了“朋友圈评分表”。
  2. if partition[u] == partition[v]:只有两端点在同一社区时，这条边的真实连接才计入分子。
  3. q -= (G.degree(node) / (2 * m)) ** 2减去随机期望的修正项，防止所有节点塞进一个大社区就拿高分。
  4. for node in G.nodes():遍历所有节点，逐个考虑“搬家”到邻居社区。
  5. trial = partition.copy()复制一份分区，模拟搬家后的效果，避免污染当前方案。
  6. if new_q > best_q:只有模块度真正提高才接受新社区，体现贪心优化。
  7. if not improved: break一轮遍历没有改进就提前收敛，减少无意义计算。

常见误区

误区既然算法是科学计算，输出的社区划分一定是唯一正确答案。换个库、换个参数，划分就不一样，是不是实现有 bug？

正解社区发现本质是无监督聚类，不同算法、不同分辨率、不同随机种子都可能得到合理但不同的划分。就像划分行政区可以按河流、也可以按商圈，都是“对的”。关键是要结合业务验证划分质量，而不是执着于唯一答案。

为何常见：把算法输出当成客观真理，忽略了目标函数和参数选择对结果的影响。

误区我用 Louvain 比较不同参数，哪个模块度高就选哪个，模块度就是唯一的黄金标准。

正解模块度有“分辨率限制”，它会偏向中等大小的社区，可能漏掉小社区或合并大社区；在社区规模不均匀时，高 \(Q\) 不一定对应业务上有意义的划分。最稳妥的方式是模块度 + NMI + 人工抽样验证三管齐下。

为何常见：模块度是最容易拿到的量化指标，所以容易被当成唯一标准。

误区Leiden 修了 Louvain 的缺陷，所以任何时候都应该用 Leiden，Louvain 已经过时了。

正解Leiden 通常在质量上更稳，但在大规模图上 Louvain 速度更快、内存占用更低。面对海量边且质量要求不极端时，Louvain 依然有自己的位置。应该以数据规模和业务目标为准，而不是“唯新是用”。

为何常见：看到改进论文就忽略了算法之间的“速度-质量”权衡。

误区度中心性或介数中心性最高的节点，一定应该在社区内部当核心代表。

正解中心性衡量的是不同维度的“重要程度”。度高的人可能只是交际花，未必推动社区协作；介数最高的人可能恰好在两个社区之间，属于“桥梁”而非社区核心。要结合业务语义看待中心性。

为何常见：把多种中心性混为一谈，又缺少对实际场景的理解。

误区社区发现只适合朋友圈这种熟人网络，其他业务用不上。

正解所有能建模成图的数据都可以用社区发现：电商用户-商品二部图、基因调控网络、交易转账网络、论文引用网络。关键是把业务关系抽象成边，然后选择合适的算法。

为何常见：从“社区”这个名字直观理解，忽略了图的通用性。

面试题

Q1. 在无权无向图中，节点的“度”是指什么？

单选题 · easy

  • A.节点的编号大小
  • B.与节点相连的边数← 正确答案
  • C.节点到中心点距离
  • D.节点所属社区数

答案：B。度是节点直接相连的边数，好比现实中的直接朋友数。A 描述编号，C 描述距离，D 描述社区数，都不是度的定义。

Q2. 社区发现的主要目标是？

单选题 · easy

  • A.减少图的边数
  • B.找出紧密节点组← 正确答案
  • C.计算最短路径
  • D.给节点排序编号

答案：B。社区发现是找内部紧密、外部稀疏的节点组，像城市里自然形成的朋友圈。A 是化简但不属于目标，C 是路径计算，D 是排序任务。

Q3. 模块度 Q 的值越接近多少，社区结构通常越明显？

单选题 · easy

  • A.-1 表示无结构
  • B.0 表示随机网络
  • C.1 表示强结构← 正确答案
  • D.10 表示绝对满分

答案：C。模块度接近 1 说明社区结构显著；0 相当于随机网络，负数说明划分还不如随机。A 和 D 偏离真实语义。

Q4. Louvain 算法的两个核心阶段是？

单选题 · mid

  • A.局部移动和网络聚合← 正确答案
  • B.图嵌入和聚类
  • C.最短路径和随机游走
  • D.谱分解和特征选择

答案：A。Louvain 两阶段是局部移动和网络聚合，反复迭代直到收敛。B/C/D 分别属于图嵌入、路径分析、谱聚类，不属于 Louvain 的流程。

Q5. 在 Louvain 模块度增益公式 \(\Delta Q\) 中，\(\Sigma_{tot}\) 表示？

单选题 · mid

  • A.社区总边数
  • B.社区总度数← 正确答案
  • C.全图总边数
  • D.节点自身度数

答案：B。\(\Sigma_{tot}\) 是目标社区各节点度数之和，与节点自身度数一起用于计算随机期望，是判断搬家收益的关键量。

Q6. Leiden 相比 Louvain 最关键的改进是？

单选题 · mid

  • A.使用深度学习模型
  • B.保证每个社区连通← 正确答案
  • C.不需要计算模块度
  • D.只能处理有权图

答案：B。Leiden 的细化步骤保证每个社区诱导子图连通，这是它与 Louvain 的最大区别。深度学习、免模块度、限定有权图等说法都不成立。

Q7. 关于 NMI（归一化互信息），下列说法正确的是？

单选题 · hard

  • A.值越大说明划分越不同
  • B.值越小说明信息越一致
  • C.值越接近 1 划分越一致← 正确答案
  • D.值等于 0 表示完全一致

答案：C。NMI 接近 1 表示两个划分高度一致，接近 0 表示基本无关。A 和 B 说反了，D 把 0 当成完全一致，错误。

Q8. 介数中心性最高的节点通常扮演什么角色？

单选题 · hard

  • A.社区里的管理者
  • B.网络中的桥梁← 正确答案
  • C.度数最大的节点
  • D.距离最远的节点

答案：B。介数中心性衡量节点出现在最短路径上的频率，因此高介数节点往往是网络中的桥梁，未必是社区管理者、最高度节点或远端节点。

Q9. 下列哪些是常见的中心性指标？

多选题 · mid

  • A.度中心性← 正确答案
  • B.介数中心性← 正确答案
  • C.接近中心性← 正确答案
  • D.连通中心性

答案：ABC。常见中心性包括度、介数、接近、特征向量中心性。没有“连通中心性”这个标准术语，因此 D 不选。

Q10. 关于模块度的分辨率限制，下列说法正确的有？

多选题 · extreme

  • A.模块度越高越好
  • B.会漏掉小社区← 正确答案
  • C.会合并大社区← 正确答案
  • D.γ可调社区尺度← 正确答案

答案：BCD。模块度可能漏掉小社区、合并大社区，这是分辨率限制的典型表现；分辨率参数 \(\gamma\) 可以调节社区尺度。但高模块度不代表业务上最优，所以 A 错误。