高阶网络重构是理解复杂系统群体交互机制的关键问题。然而，现有方法通常依赖全局搜索策略，导致组合爆炸问题，进而引发高时间复杂度，且重构性能仍存在提升空间。为此，本文提出了一种基于社区划分与关键节点识别的高阶网络重构框架。该框架基于高阶交互的稀疏性与局部性先验，将全局重构问题转化为局部社区重构与关键节点全局重构相结合的计算范式，从而显著缩小了解空间的规模。该框架通过设计一种高效的分阶段重构算法来实现。首先，基于压缩感知理论重构成对相互作用网络。接着，通过社区划分对每个社区进行局部重构，并结合多维权值函数精确识别关键节点。然后，仅对关键节点进行全局补充重构，显著提高计算效率，同时保证重构的完整性。最后，将局部重构和全局重构结果整合并二值化，得到最终的高阶网络重构结果。理论分析表明，与现有先进方法相比，所提框架显著降低了计算复杂度。实验结果表明，该框架在多种真实与合成的高阶网络上，相比现有先进方法，不仅大幅减少了运行时间，还提升了重构性能。本文提出的框架为大规模高阶网络的高效重构提供了一种兼顾性能与效率的可行方案。
Wang et al. (Thu,) studied this question.