更改

输入：原始网络<math>A</math>和距离超参<math>\epsilon</math>；输出：宏观网络<math>B</math>以及对应的粗粒化方式

输入：原始网络<math>A</math>和距离超参<math>\epsilon</math>；输出：宏观网络<math>B</math>以及对应的粗粒化方式

# 针对一个含有<math>N</math>个节点的网络<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其相关特征值对向量加权，构建新的有偏的<math>E’=\{λ_ie_i|λ_i≠0\}^N_{i=1}</math>（新的网络节点数量为<math>N'</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

# 针对一个含有<math>N</math>个节点的网络<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其相关特征值对特征向量加权，构建新的有偏的特征向量<math>E’=\{λ_ie_i|λ_i≠0\}^N_{i=1}</math>（新的网络节点数量为<math>N'</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（[[马尔可夫毯]]），则使用[[cosine]]通过新的特征向量计算两个节点的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>分别在对方的邻域中（[[马尔可夫毯]]），则使用[[cosine]]通过新的特征向量计算两个节点的相似性作为两者间的距离<math>d_{ij}</math>和<math>d_{ji}</math>