2,981
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − 基于高阶依赖项建模的节点归并方法+ − + − 通过上面的网络粗粒化方法可以对节点进行分组，为了构建粗粒化后的宏观网络，需要将微观节点合并成宏观节点，同时需要计算宏观网络之间的连边，以及对应的转移概率。在上述三种方法中，前两种都使用了一种叫做高阶依赖项建模([[HOMs]])的方法来进行归并<ref name="HOMs"></ref>，其目的是为了保证分组后的宏观网络和原始网络具有相似的[[随机游走动力学]]。 第21行：
第20行： + +
无编辑摘要
下面我们介绍基于高阶依赖项建模的节点归并方法。
通过网络粗粒化方法可以对节点进行分组，为了构建粗粒化后的宏观网络，需要将微观节点合并成宏观节点，同时需要计算宏观网络之间的连边，以及对应的转移概率。在上述三种方法中，前两种都使用了一种叫做高阶依赖项建模([[HOMs]])的方法来进行归并<ref name="HOMs"></ref>，其目的是为了保证分组后的宏观网络和原始网络具有相似的[[随机游走动力学]]。
具体来说，不同类型的微观节点合并成宏观节点时边权有不同的处理方式：
具体来说，不同类型的微观节点合并成宏观节点时边权有不同的处理方式：
[[文件:合并方式42.png|居左|800x600像素]]
[[文件:合并方式42.png|居左|800x600像素]]
由于本质上上面提出的复杂网络的合并方式是对马尔科夫链进行粗粒化，我们也可以参考TPM的粗粒化方法，具体参考[[马尔科夫链的粗粒化]]词条。