2.2 WS小世界：从规则格子出走的捷径

2.2 WS小世界：从规则格子出走的捷径

摘要：WS 小世界模型从环形规则网络出发，以小概率把部分边随机改道，同时获得高聚类系数与短平均路径长度，解释了真实网络「世界真小」的机制来源。本节仍按五段展开：来历（信件实验的困惑）、特征（双高读数）、机制（重连口径）、实验（重连概率扫描）、野外行为（适用与局限），并用 networkx 复现「一条曲线两段跳水」的招牌图景。

标本来历：信封走出来的谜题

小世界的故事要从一叠信封讲起。上世纪中叶，一位社会心理学家设计了一个连锁信实验：把信件随机发给住在一地的普通人，规则是只能寄给自己认识且觉得「可能离目标更近」的人，目标是另一位远在另一座城市的陌生人。多数信件确实抵达了，而且中转的手数少得惊人。「世界真小」从此成了社会学的著名命题，后来又在电子邮件时代被反复验证。

谜题在于：社会网络明明极度抱团——家人、同学、同事一层层圈子彼此重叠，熟人扎堆意味着路径理应又绕又长——为什么中转次数这么少？纯随机图倒是路径短，可它的聚类近乎于零，压根不像社会网络。规则网络聚类高，路径却又长得离谱。三张现成的牌都不对，得造第四张。

形态特征：两个本不共存的读数

小世界形态的鉴定标准是一对组合读数：平均路径长度短到随机图量级，同时聚类系数高到规则网络量级。量化时习惯做归一化——用同规模的随机图读数归一路径，用零重连的规则图读数归一聚类，得到路径比与聚类比。当路径比已跌到随机量级、而聚类比仍维持高位时，网络即判小世界。后面第 3 章给真实网络做鉴定，用的就是这对无量纲读数。

生成机制：一道口子，两步手术

WS 模型的构建干净利落。先铺一个环形规则网络：每个节点与近邻相连，围成一圈紧密的格子，此时聚类极高、路径极长。然后做重连手术：逐边检查，以小概率把边的一端拔起，改接到一个随机挑选的节点上——不许多（禁止自环与重边），不许贪多。改道成功的边就是捷径：它在环上撕开一道口子，让原本隔着半个圈的两群节点一步互通。

机制的妙处在于两种效应的严重不对等。把一条环上长边改成跨圈捷径，平均路径长度断崖式下跌——因为绕圈的路程被整段跳过；而聚类系数几乎不疼——被改走的只是朋友圈的一道墙角，圈子内部依然密不透风。于是「极少量随机」买到了「极大结构红利」。

图 WS模型三联画：从规则到随机的连续谱

实验观察：扫描重连概率

把重连概率从零扫到一，观察两个归一化读数如何随之下坠，是本节的招牌实验。networkx 把模型造好了，我们要做的是控制变量与读数归一：

import networkx as nx

n, k = 1000, 10                          # 千节点，每点连近邻
G0 = nx.watts_strogatz_graph(n, k, 0)    # 零重连：纯规则
C0 = nx.average_clustering(G0)
L0 = nx.average_shortest_path_length(G0)

print("重连概率 | 聚类比 | 路径比")
for p in [0.001, 0.01, 0.05, 0.1, 1.0]:
    G = nx.watts_strogatz_graph(n, k, p, seed=11)
    Cr = nx.average_clustering(G) / C0   # 聚类向规则图归一
    Lr = nx.average_shortest_path_length(G) / L0  # 路径向规则图归一
    print(f"{p:>8.3f} | {Cr:6.3f} | {Lr:6.3f}")
​

读数形态非常戏剧化：重连概率刚过千分之一量级，路径比已经掉去大半；而聚类比要到重连概率相当可观时才明显松动。中间存在一片宽阔的窗口，两比一低一高——那就是小世界区。真实社会网络恰好住在这片窗口里：圈子扎堆，但每个圈子总有几个「见过世面」的人把远方拉近。

第二个实验换个角度验证机制——亲手数捷径的贡献：

import networkx as nx

G_ring = nx.watts_strogatz_graph(400, 6, 0, seed=5)
G_sw   = nx.watts_strogatz_graph(400, 6, 0.02, seed=5)

for name, G in [("规则环", G_ring), ("小世界", G_sw)]:
    L = nx.average_shortest_path_length(G)
    C = nx.average_clustering(G)
    print(f"{name}: 平均路径 {L:6.2f}  聚类 {C:.3f}")

rewired = sum(1 for *_ , d in G_sw.edges(data=True)) # 边数守恒检查
print("边数不变：", G_ring.number_of_edges() == G_sw.number_of_edges() == rewired)
​

边数前后守恒（重连只是改道不是增删），平均路径跌掉一个量级，聚类几乎原地踏步——机制的三个承诺全部兑现。把重连概率再往上加，你会看到聚类最终也缴械投降，网络退化成上一节的随机图标本：WS 谱系的两端，正好接着上一节和下一章。

野外行为：真实系统的捷径从哪来

WS 模型在野外有无穷变体。社交网络的捷径是那些跨圈层的联系人；脑网络的捷径是贯通不同脑区的长程纤维束——高聚类保证局部处理，短路径保证全局整合，神经系统两样都要；电网的「捷径」则常以跨区联络线的人为规划出现。后续章节还会反复回收这个直觉：第 6 章会看到捷径同样缩短了疾病与谣言的行程——小世界是双刃的。

也要给这件标本登记缺陷。它所有节点度几乎齐平，度分布窄得像针尖，完全撑不起真实网络的肥尾；它不带任何增长过程，解释不了枢纽为何出现。换句话说，WS 回答了「世界为什么小」，却回答不了「为什么少数节点那么大」。后者是解剖室的案子，转诊单在下一节末尾开出来。

⚠️ 常见坑：拿绝对聚类值当小世界证据。聚类的绝对值依赖平均度与规模，必须与同参数随机对照相比；重连概率扫描实验里同理，比值读数才可比。

两件理论标本都已上架，下一节把真实网络请进展室，当面对质，出具本展室的鉴定报告。