更改

# 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>，构建新的<math>E’=\{λ_ie_i|λ_i≠0\}^N_{i=1}</math>（新的网络节点数量为<math>N'</math>）

# 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>，构建新的<math>E’=\{λ_ie_i|λ_i≠0\}^N_{i=1}</math>（新的网络节点数量为<math>N'</math>）

# 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}=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>

## 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，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，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>