[发明专利]面向大规模多元网络数据的简化可视分析方法

说明书

本发明公开了面向大规模多元网络数据的简化可视分析方法。本发明方法首先基于原始网络大规模数据，构建属性增强的网络表征学习模型，将节点转换成嵌入拓扑结构和属性信息的高维向量表示；然后利用属性增强的网络表征学习模型构建多层次聚类模型，在向量化空间中根据结构紧密度、属性同质性和聚类数量将节点划分为层次类别；最后设计简化表达可视分析方案，构建大规模多元网络数据的简化可视分析系统；所述的简化可视分析系统通过聚类视图、协同视图构成视觉表达。本发明方法对大规模多元网络数据进行视觉简化、探索和聚类，有效减少视觉混乱，并提高了大规模多元网络的可读性和分析效率。

技术领域

本发明属于图形学与可视化技术领域，具体涉及一种面向大规模多元网络数据的简化可视分析方法。

背景技术

在多元网络中，节点和边包含丰富的属性信息，如包含了名称、年龄、性别、国籍、地域和职业等属性。在可视化领域研究方面，专家针对这种多元网络数据设计了多种可视化方法，通过修改力引导图上节点的视觉外观(大小、颜色、形状)来映射属性信息，或者将力引导图与辅助视图(例如表格、平行坐标图、雷达图)结合起来协同分析拓扑结构和多维属性信息。然而，随着多元网络规模的不断增大，同步分析拓扑结构和属性成为一个挑战。在力引导图中，视觉混乱在很大程度上阻碍了对拓扑结构的视觉感知。而聚类是一种较灵活的策略，可允许用户基于节点属性或网络拓扑结构将节点划分为不同类别。如Batagelj等人(V.Batagelj,F.Brandenburg,W.Didimo,G.Liotta,P.Palladino,andM.Patrignani.Visual analysis of large graphs using(x,y)-clustering and hybridvisualizations.IEEE transactions on visualization and computer graphics,17:1587-1598,12 2010.doi:10.1109/TVCG.2010.265)定义了类内图和类间图的拓扑特性，允许用户通过展开/收缩聚类来交互式地探索图。OnionGraph(L.Shi,Q.Liao,H.Tong,Y.Hu,Y.Zhao,and C.Lin.Hierarchical focus+context heterogeneous networkvisualization.pp.89-96,03 2014.doi:10.1109/PacificVis.2014.44)考虑了属性和拓扑结构，将异构网络节点聚类到不同级别，自顶向下的层次结构提供了更多的语义信息。

多元网络的聚类分为两类，基于拓扑结构的聚类(J.Abello,F.Ham,andN.Krishnan.Ask-graphview:A large scale graph visualization system.ieee transvis comput graph.IEEE transactions on visualization and computer graphics,12:669–676,09 2006.doi:10.1109/TVCG.2006.120)和基于属性的聚类(M.Wattenberg.Visual exploration of multivariate graphs.pp.811-819,012006.doi:10.1145/1124772.1124891)。但是，在基于拓扑结构聚类的方法中，属性是随机分布的，这使得解释聚类的形成变得困难。而在基于属性聚类的方法中，网络的拓扑结构被严重破坏了，这使得节点之间的关系也变得难以探索和分析。因此，将拓扑结构和属性集成到大规模多元网络的可视化聚类中仍然是一个具有挑战性的任务。