2,464
个编辑
更改
→宏节点合并方法
通过上面的网络粗粒化方法可以对节点进行分组，从而可以构建宏观网络。将微观节点合并成宏观节点时，对应宏观网络的转移概率矩阵也要进行相应的处理。通过使用高阶节点显式地对高阶依赖项建模（[[HOMs]]）<ref>Xu, J., Wickramarathne, T. L., & Chawla, N. V. Representing higher-order dependencies in networks[J]. Science advances, 2016, 2(5), e1600028.</ref>，保证分组后的宏观网络和原始网络具有相同的[[随机游走动力学]]。
通过上面的网络粗粒化方法可以对节点进行分组，从而可以构建宏观网络。将微观节点合并成宏观节点时，对应宏观网络的转移概率矩阵也要进行相应的处理。通过使用高阶节点显式地对高阶依赖项建模（[[HOMs]]）<ref>Xu, J., Wickramarathne, T. L., & Chawla, N. V. Representing higher-order dependencies in networks[J]. Science advances, 2016, 2(5), e1600028.</ref>，保证分组后的宏观网络和原始网络具有相同的[[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，包括四种处理方法：
1）待合并的节点之间没有连边，且待合并节点都指向相同输出节点时，如图a所示，需要将输入权重相加，输出权重取平均，其中<math>S</math>表示待合并节点集合， <math>\mu</math>表示合并完的宏观节点，<math>W_i</math>表示节点<math>i</math>的出边权重， <math>Ns</math>为待合并节点的数量<math>(W_{\mu}=\sum_{i \in S}W_i\frac{1}{N_S})</math>；
1）待合并的节点之间没有连边，且待合并节点都指向相同输出节点时，如图a所示，需要将输入权重相加，输出权重取平均，其中<math>S</math>表示待合并节点集合， <math>\mu</math>表示合并完的宏观节点，<math>W_i</math>表示节点<math>i</math>的出边权重， <math>Ns</math>为待合并节点的数量<math>(W_{\mu}=\sum_{i \in S}W_i\frac{1}{N_S})</math>；