更改

## 如果节点<math>v_i</math>和<math>v_j</math>分别在对方的邻域中，则通过新的特征向量计算两个节点的cos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，则通过新的特征向量计算两个节点的cos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，可以选择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>

时间复杂度：<math>O(N^3)</math>

时间复杂度：<math>O(N^3)</math>

====梯度下降方法====

====梯度下降方法====