更改

===机器学习方法===

===机器学习方法===

困难：

困难：

1. 初始化分组矩阵的选择，多次重复实验会得到不一样的结果

# 初始化分组矩阵的选择，多次重复实验会得到不一样的结果

2. 依赖神经网络的超参，如学习率、迭代次数等

# 依赖神经网络的超参，如学习率、迭代次数等

通过对节点进行分组，并构建宏观网络。将微观节点合并成宏观节点时，对应宏观网络的转移概率矩阵也要进行相应的处理. 通过使用高阶节点显式地对高阶依赖项建模（HOMs），保证分组后的宏观网络和原始网络具有相同的随机游走动力学。具体来说，不同的类型为微观网络合并成宏观节点时边权有不同的处理方式，包括四种处理方法，1）待合并的节点之间没有连边，且输入节点都指向待合并节点，待合并节点都指向相同节点，如图b，输入权重相加，输出权重取平均；2）待合并的节点之间没有连边时，待合并节点指向多个节点时，如图c，输入边权加和，出边的边权按比例加权求和；3）当节点间存在连边时，如图d，需要计算待合并节点的平稳分布，然后采用方法2的方式计算；4）更为复杂的情况，如图e，综合考虑方法2和方法3。

通过对节点进行分组，并构建宏观网络。将微观节点合并成宏观节点时，对应宏观网络的转移概率矩阵也要进行相应的处理. 通过使用高阶节点显式地对高阶依赖项建模（HOMs），保证分组后的宏观网络和原始网络具有相同的随机游走动力学。具体来说，不同的类型为微观网络合并成宏观节点时边权有不同的处理方式，包括四种处理方法，1）待合并的节点之间没有连边，且输入节点都指向待合并节点，待合并节点都指向相同节点，如图b，输入权重相加，输出权重取平均；2）待合并的节点之间没有连边时，待合并节点指向多个节点时，如图c，输入边权加和，出边的边权按比例加权求和；3）当节点间存在连边时，如图d，需要计算待合并节点的平稳分布，然后采用方法2的方式计算；4）更为复杂的情况，如图e，综合考虑方法2和方法3。