团伙挖掘：Leiden 算法应用与优势

算法流程

Louvain算法通过两阶段迭代优化质量函数，流程如下（Traag et al., 2019）：

1. 初始状态为 singleton 分区，每个节点独立构成一个社区；

2. 局部移动阶段：将单个节点迁移至能最大提升质量函数的社区，形成初步分区；

3. 网络聚合阶段：基于初步分区构建聚合网络，每个社区作为单个节点；

4. 重复局部移动与聚合，直至质量函数无法进一步提升。

核心缺陷：断开社区的产生

Louvain算法的本质局限在于“仅关注单个节点的局部最优移动”，忽略社区整体连通性，导致断开社区——同一社区内部分节点需通过外部节点或边才能与其他节点连通，内部形成孤立子集群（Traag et al., 2019）。

这一缺陷的产生逻辑为：当社区中的“桥节点”（连接内部不同组件的关键节点）被迁移至其他社区时，原社区会分裂为多个孤立子集群；但剩余节点因各自在子集群内满足“局部最优”（内部连接紧密），算法不再调整，最终将分裂的集合误判为完整社区（Traag et al., 2019）。在骗贷团伙挖掘场景中，这类桥节点往往对应贷款中介——他们作为核心枢纽，连接着不同的骗贷参与者（如提供虚假材料的人、实际用款人等），是识别团伙网络结构的关键目标。

实验数据显示，Louvain算法检测的社区中，最高25%为不良连接社区（Amazon网络），最高16%为完全断开社区（DBLP网络），且迭代会加剧该问题，多数网络迭代后断开社区比例升高近10倍（Traag et al., 2019）。

模块化（Modularity）

核心逻辑是最大化社区内实际边数与随机网络中预期边数的差异，公式为：

\(\mathcal{H}=\frac{1}{2\mathrm{m}} \sum_{\mathrm{c}}\left(\mathrm{e}_{\mathrm{c}}-\gamma \frac{\mathrm{K}_{\mathrm{c}}^2}{2\mathrm{m}}\right)\)

其中， \(\mathrm{e}_{\mathrm{c}}\) 为社区 \(\mathrm{c}\) 内实际边数， \(\mathrm{K}_{\mathrm{c}}\) 为社区 \(\mathrm{c}\) 节点度之和， \(\mathrm{m}\) 为网络总边数， \(\gamma>0\) 为分辨率参数（值越高生成社区越多，值越低生成社区越少）。该函数存在分辨率限制，可能将小社区聚类为大社区。

CPM（Constant Potts Model）

克服模块化的分辨率限制，采用阈值逻辑定义社区，公式为：

\(\mathcal{H}=\sum_{\mathrm{c}}\left[\mathrm{e}_{\mathrm{c}}-\gamma\left(\begin{array}{c}\mathrm{n}_{\mathrm{c}} \\ 2\end{array}\right)\right]\)

其中， \(\mathrm{n}_{\mathrm{c}}\) 为社区 \(\mathrm{c}\) 的节点数， \(\gamma\) 为密度阈值——社区内密度需≥ \(\gamma\) ，社区间密度需< \(\gamma\) ，分辨率调节逻辑与模块化一致。

需注意，Louvain算法的缺陷与质量函数无关，即便使用CPM仍会生成断开社区（Traag et al., 2019）。

算法流程优化

Leiden算法在Louvain基础上新增“分区细化”阶段，形成三阶段迭代流程（Traag et al., 2019）：

1. 局部移动阶段：采用快速局部移动策略，仅访问邻居社区发生变化的节点，通过队列管理减少无效计算；

2. 分区细化阶段：在局部移动生成的分区内，仅在原社区边界内随机合并节点（ \(\theta\) 参数控制随机性，仅保留提升质量函数的合并），拆分内部断开的子集群；

3. 网络聚合阶段：基于细化分区构建聚合网络，以原分区为初始参考，支持迭代优化。

该流程中，分区细化是解决断开社区问题的核心——通过在社区内部拆分孤立子集群，确保最终输出的社区均满足内部连通（Traag et al., 2019）。

理论保证

Leiden算法提供Louvain不具备的多重理论保证（Traag et al., 2019）：

1. 每轮迭代后，社区满足 \(\gamma\) -连通性，确保内部节点可通过内部边互相到达；

2. 迭代收敛后，社区达到子集最优（所有子集均局部最优）与均匀 \(\gamma\) -稠密（无任何子集可从社区分离）。