参数总览：调试前的必修课
说实话，刚接触 Leiden 算法的时候，我也被那一大堆参数搞晕过。seed、resolution、weights、node_weights、initial_membership……每个看起来都挺重要，但到底什么时候调、怎么调，心里没底。后来做过几个项目，踩过坑，才算摸清这些参数的脾性。这一节咱们就先把它们挨个过一遍，后面调试才能心里有数。
这些参数，说白了就是控制聚类过程不同环节的“旋钮”。你想想，算法跑起来，总得有个随机种子决定初始状态吧？得有个分辨率决定聚类颗粒度吧？还得考虑边权重和节点权重怎么参与计算吧？最后，初始划分能不能自己给？嗯，Leiden 提供了这套接口，就是为了让我们能精细干预。
参数速览表
下面这张表把五个核心参数的关键信息汇总在一起，建议收藏。
| 参数名 | 用途 | 数据类型 | 常见范围 | 注意事项 |
|---|---|---|---|---|
seed |
随机数种子，控制划分结果的随机性 | int 或 None | 任意整数，或 None |
固定后确保可复现；None 时每次结果可能不同 |
resolution |
分辨率参数，控制社区粒度 | float | 0.1 ~ 5.0（常用 0.5~2.0） | 值越大社区越多（越细）；默认 1.0 |
weights |
边权重，影响模块度计算 | 列表 array-like 或 None |
非负浮点数；长度等于边数 | 必须与边顺序一致；None 时所有边视为等权重 |
node_weights |
节点权重，影响节点在算法中的“重要性” | 列表 array-like 或 None |
非负浮点数；长度等于节点数 | 用于加权模块度；部分库未实现，需确认 API |
initial_membership |
初始社区划分，算法由此开始迭代 | 列表 array-like 或 None |
整数标签；长度等于节点数 | 建议与节点顺序一致；可以为每个节点独立指定初始社区 |
逐一拆解：seed
先聊 seed。这个最简单，但也最容易忽略。我在项目里遇到过一次诡异的现象：同样的数据、同样的参数，跑了两次得到的社区标签不一样。当时还以为是 bug，查了半天发现是没设种子。
import leidenalg
import igraph as ig
G = ig.Graph.Erdos_Renyi(n=100, p=0.05)
partition = leidenalg.find_partition(G, leidenalg.ModularityVertexPartition, seed=42)
# 每次运行结果一致我自己的习惯：在实验阶段用 seed=None 看结果是否稳定，一旦方案确定，就固定种子，比如 seed=2024。这样后续复现、报告都方便。
resolution：控制粗细的抓手
resolution 是调参中最常用的参数之一。说白了，它决定了算法倾向于生成大社区还是小社区。默认值 1.0 对应标准模块度。你调大，社区就会变多变小；调小，社区变少变大。
我之前做过一个论文引用网络的项目，想找出不同研究方向的子领域。一开始用默认 resolution，出来的社区太大了，每个社区包含好几个研究方向，不够精细。后来调到 1.8，才把细分子领域分离出来。
# 对比不同 resolution 的效果
for res in [0.5, 1.0, 1.5, 2.0]:
partition = leidenalg.find_partition(
G,
leidenalg.RBConfigurationVertexPartition,
resolution_parameter=res
)
print(f"resolution={res}: {len(partition)} communities")weights：边的“分量”
真实网络中，边往往不止是二元的“有/无”，还带有强度（比如通话次数、交易金额）。weights 就是用来把这些强度告诉算法的。需要注意的是，权重列表的顺序必须跟图中的边顺序一一对应。如果搞反了，聚类结果会完全变样。
# 假设权重的顺序对应 igraph 的 edge 顺序
edge_weights = [0.5, 1.2, 3.0, 0.8, ...] # 长度等于边数
partition = leidenalg.find_partition(
G,
leidenalg.ModularityVertexPartition,
weights=edge_weights
)嗯，这里有个细节：如果没有传 weights，Leiden 默认所有边权为 1。如果你的图里有自环或多重边，最好显式传递权重，否则算法会把它们当作普通边处理。
node_weights：节点权重
这个参数不如 weights 常用，但它很有用。比如在社交网络中，某些大 V 节点的影响力显著高于普通用户。给它们赋予更大的节点权重，可以让算法在聚类时更“照顾”这些节点的影响。
不过要小心：不是所有 Leiden 实现都支持 node_weights。我用过的 leidenalg 包在 RBConfigurationVertexPartition 等分区类型下支持节点权重，但具体要查 API 文档。如果传了却不起作用，代码不会报错，但结果可能跟预期不符。
initial_membership：给算法一个“起跑线”
最后这个参数挺有意思。initial_membership 允许你直接指定每个节点初始属于哪个社区。算法会从你给的划分开始运行优化，而不是从头随机划分。这在几种场景下特别好用：
- 增量聚类：图有新增节点或边，你想在已有社区基础上微调。
- 约束聚类：你知道某些节点必须同属一个社区，可以预先把它们放在一起。
- 热启动：先用快速方法得到一个粗糙划分，再用 Leiden 精细调优。
# 假设给 100 个节点指定初始划分
init_membership = [0] * 50 + [1] * 50 # 前50个节点属于社区0，后50个属于社区1
partition = leidenalg.find_partition(
G,
leidenalg.ModularityVertexPartition,
initial_membership=init_membership
)注意：如果初始划分的质量很差，算法可能会在局部优化阶段无法跳出，最后结果还不如随机初始化。所以，除非你有可靠的先验知识，否则我建议不要轻易给 initial_membership。
参数的关系图
下面这张图把五个参数和它们在算法流程中影响的位置画出来。可以帮你建立一个整体视角。
参数调用的完整示例
最后给一个包含多个参数的调用片段，供参考。
partition = leidenalg.find_partition(
G,
leidenalg.RBConfigurationVertexPartition,
seed=2024,
resolution_parameter=1.2,
weights=edge_weights,
node_weights=node_weights,
initial_membership=init_labels
)注意，RBConfigurationVertexPartition 要求传入 resolution_parameter 而非 resolution，具体参数名取决于分区类型。动手前一定看一眼 API 文档，否则传错名也不会报错，只是默默被忽略。