更改

# 初始化一个节点的集合[math]V[/math]，将[math]V[/math]中的每个节点所属的[[马尔可夫毯]]也加入集合中；

# 初始化一个节点的集合[math]V[/math]，将[math]V[/math]中的每个节点所属的[[马尔可夫毯]]也加入集合中；

# 遍历[math]G[/math]中的节点<math>\{v_i\}_{i=1}^N</math>（如果节点已经被合并成宏观节点则跳过），直到所有的节点遍历一遍停止：

# 遍历[math]G[/math]中的节点<math>\{v_i\}_{i=1}^N</math>（如果节点已经被合并成宏观节点则跳过），直到所有的节点遍历一遍停止：

# 初始化一个队列<math>Q</math>, 取出集合V中<math>v_i</math>对应的邻域，将其加入队列中；

# 初始化一个队列<math>Q</math>, 取出集合V中<math>v_i</math>对应的马尔可夫毯，将其加入队列中；

# 初始时<math>v_{\mu}</math>=<math>v_i</math>，

# 初始时<math>v_{\mu}</math>=<math>v_i</math>，

# 分别尝试将 <math>v_{\mu}</math> 与 <math>v_j</math><math>\in Q</math>合并：

# 分别尝试将 <math>v_{\mu}</math> 与 <math>v_j</math><math>\in Q</math>合并：

## 如果合并后的网络的EI增加了，就将这两个节点合并组成新的宏观节点<math>v_{\mu}</math>，得到宏观网络<math>B</math>，将<math>v_j</math>所属的邻域中的不在队列中的节点加入队列中，更新集合中节点的邻域，如果节点邻域中包括<math>v_j</math>节点，则将<math>v_j</math>节点去除

## 如果合并后的网络的EI增加了，就将这两个节点合并组成新的宏观节点<math>v_{\mu}</math>，得到宏观网络<math>B</math>，将<math>v_j</math>所属的马尔可夫毯中的不在队列中的节点加入队列中，更新集合中节点的马尔可夫毯，如果节点马尔可夫毯中包括<math>v_j</math>节点，则将<math>v_j</math>节点去除

## EI没增加则继续尝试与队列中的其他节点进行合并，直至队列中的节点都合并过，返回步骤2

## EI没增加则继续尝试与队列中的其他节点进行合并，直至队列中的节点都合并过，返回步骤2

时间复杂度：<math>O(N^4)</math>

时间复杂度：<math>O(N^4)</math>

# 针对邻接矩阵<math>A</math>，得到其[[转移矩阵]]<math>W</math>，然后进行矩阵的[[特征值分解]]，得到特征值集合<math>Λ=\{λ_i\}^N_{i=1}</math>与特征向量集合<math>E=\{e_i\}^N_{i=1}</math>，通过去除特征值为0的特征向量并且通过特征值对对应的特征向量进行加权，构建新的有偏的特征向量集合<math>E’=\{λ_ie_i|λ_i≠0\}^N_{i=1}</math>（新的网络节点数量为<math>N'=rank(A)</math>）。直观地说，忽略特征值为0的特征向量是有意义的，因为它对应网络中的简并性，并且非零特征值和相应的特征向量包含了丰富的网络拓扑结构信息；

# 针对邻接矩阵<math>A</math>，得到其[[转移矩阵]]<math>W</math>，然后进行矩阵的[[特征值分解]]，得到特征值集合<math>Λ=\{λ_i\}^N_{i=1}</math>与特征向量集合<math>E=\{e_i\}^N_{i=1}</math>，通过去除特征值为0的特征向量并且通过特征值对对应的特征向量进行加权，构建新的有偏的特征向量集合<math>E’=\{λ_ie_i|λ_i≠0\}^N_{i=1}</math>（新的网络节点数量为<math>N'=rank(A)</math>）。直观地说，忽略特征值为0的特征向量是有意义的，因为它对应网络中的简并性，并且非零特征值和相应的特征向量包含了丰富的网络拓扑结构信息；

# 依据<math>E'</math>计算节点间的距离矩阵<math>D_{N'×N'}</math>：

# 依据<math>E'</math>计算节点间的距离矩阵<math>D_{N'×N'}</math>：

## 如果节点<math>v_i</math>和<math>v_j</math>分别在对方的邻域中，则通过新的特征向量计算两个节点的cos相似性作为两者间的距离<math>d_{ij}</math>和<math>d_{ji}</math>

## 如果节点<math>v_i</math>和<math>v_j</math>分别在对方的马尔可夫毯中，则通过新的特征向量计算两个节点的cos相似性作为两者间的距离<math>d_{ij}</math>和<math>d_{ji}</math>

## 否则将两个节点间的距离设为无穷大∞（可以设个比较大的值，如10000）

## 否则将两个节点间的距离设为无穷大∞（可以设个比较大的值，如10000）

# 基于距离矩阵<math>D_{N'×N'}</math>和一个距离超参<math>\epsilon</math>（需要线性搜索，可以选择EI最大的参数），使用[[OPTICS]]算法（是一种基于密度的聚类算法，旨在识别数据集中不同密度的聚类结构）进行聚类，输出对应超参<math>\epsilon</math>下的聚类方式，同一类里的节点进行粗粒化作为一个宏观节点，得到宏观网络<math>B</math>

# 基于距离矩阵<math>D_{N'×N'}</math>和一个距离超参<math>\epsilon</math>（需要线性搜索，可以选择EI最大的参数），使用[[OPTICS]]算法（是一种基于密度的聚类算法，旨在识别数据集中不同密度的聚类结构）进行聚类，输出对应超参<math>\epsilon</math>下的聚类方式，同一类里的节点进行粗粒化作为一个宏观节点，得到宏观网络<math>B</math>