更改

</math>

</math>

其中，对于一个无权图来说转移概率<math>w_{ij}</math>等于节点<math>i</math>的度的倒数，对于一个加权图来说转移概率<math>w_{ij}</math>等于节点<math>i</math>出边权重值的归一化，<math>W_i^{out}</math>由<math>v_i</math>和它的邻居<math>v_j</math>之间的权重<math>w_{ij}</math>组成，如果没有从<math>v_i</math>到<math>v_j</math>的边，则<math>w_{ij}=0</math>。对于每个<math>W_i^{out}</math>，<math>∑_jW_i^{out}=1</math>，这意味着<math>w_{ij}</math>可以被解释为<math>v_i</math>上的随机游走子在下一个时间步长中转移到<math>v_i</math>的概率<math>p_{ij}</math>，即<math>w_{ij}=p_{ij}</math>，<math>W_j=\frac{1}{N}\sum_{i=1}^N w_{ij}</math>，表示节点的平均分布。 同样进一步，有效信息可以分解为确定性和简并性。

其中，对于一个无权图来说转移概率<math>w_{ij}</math>等于节点<math>i</math>的度的倒数，对于一个加权图来说转移概率<math>w_{ij}</math>等于节点<math>i</math>出边权重值的归一化，<math>W_i^{out}</math>由<math>v_i</math>和它的邻居<math>v_j</math>之间的权重<math>w_{ij}</math>组成，如果没有从<math>v_i</math>到<math>v_j</math>的边，则<math>w_{ij}=0</math>。对于每个<math>W_i^{out}</math>，<math>∑_jW_i^{out}=1</math>，<math>W_j=\frac{1}{N}\sum_{i=1}^N w_{ij}</math>，表示节点的平均分布。 同样进一步，有效信息可以分解为确定性和简并性。

==粗粒化复杂网络==  

==粗粒化复杂网络==