更改

# 输入一个网络<math>A_m</math>,得到其转移矩阵<math>T_{Am}</math>, 然后进行矩阵的特征值分解，得到特征值<math>Λ={λ_i}</math>与特征向量<math>E={e_i}</math>, 构建新的E^’={λ_ie_i|λ_i≠0}(新的网络节点数量为N^’)

# 输入一个网络<math>A_m</math>,得到其转移矩阵<math>T_{Am}</math>, 然后进行矩阵的特征值分解，得到特征值<math>Λ={λ_i}</math>与特征向量<math>E={e_i}</math>, 构建新的E^’={λ_ie_i|λ_i≠0}(新的网络节点数量为N^’)

# 依据E^’计算节点间的距离矩阵D_N^’×N^’：

# 依据E^’计算节点间的距离矩阵D_N^’×N^’：

## 如果节点v_i和v_j分别在对方的邻域中(马尔可夫毯)，则使用cosine计算两个节点的相似性作为距离；

## 如果节点<math>v_i</math>和<math>v_j</math>分别在对方的邻域中(马尔可夫毯)，则使用cosine计算两个节点的相似性作为距离；

## 否则将两个节点间的距离设为无穷大∞(1000)

## 否则将两个节点间的距离设为无穷大∞(1000)

# 基于距离矩阵<math>D_{N^'×N^'}</math>，使用OPTICS算法进行聚类，同一类里的节点进行粗粒化作为一个宏观节点，存在距离超参ϵ，需要线性搜索，选择EI最大的参数

# 基于距离矩阵<math>D_{N^'×N^'}</math>，使用OPTICS算法进行聚类，同一类里的节点进行粗粒化作为一个宏观节点，存在距离超参<math>\epsilon</math>，需要线性搜索，选择EI最大的参数

===机器学习方法===

===机器学习方法===