1. 初始化分类，将网络结构G分为K簇
2. 使用排序模型计算每个簇下attribute objects节点概率分布:
   1. 其中C表示簇，K表示簇的个数，t表示循环的次数
   2. x表示簇Ck下某个节点在该簇下的概率分布，这个概率分 布使用排序模型计算获得
   3. 假设用d表示论文类，为该模型下的target object,那么对于 任意的d，其在某个簇中的概率分布定义为：
   4. 其中x为与di有链接关系的attribute objects,Tx为节点x的分类， W为边的权重（这里先不做详细描述）
3. 计算target object在每个簇下的后验概率，并调整簇中 target object的分布
   1. 算法主要针对target objects进行聚类
   2. 计算概率：
   3. 其中k代表不同的簇，论文中使用Maximizes log-likelihood得到最大似 然目标函数，使用EM算法得到最优的p(k)
   4. 这样每一个target object节点d都可以用一个K维的向量表示：
   5. 聚类中心用该簇下所有target objexts的mean vector来表示，通过计算 向量间的相似度更新簇中的主节点
4. 计算稳定簇中每个attribute objects的后验概率
   1. 输出target objects所属的簇（领域）
   2. 输出在每个簇下（领域），attribute objects的分布情况，用于该领域下的排序