[发明专利]面向大规模网络的图布局方法以及装置

权利要求书

1.一种面向大规模网络的图布局方法，其特征在于，包括：

通过基于机器学习的网络嵌入表示模型，将图数据中每一个节点表示为低维稠密向量，构建所述图数据的嵌入矩阵；

通过改进的非线性降维算法，对所述嵌入矩阵进行投影，获得所述图数据在二维空间中的图布局结果；该步骤包括：

根据所述嵌入矩阵，采用条件概率度量用所述低维稠密向量表示的两个节点之间的相似性，获得描述所述节点相似性的P分布；

通过Student-t分布度量所述二维空间中两个节点之间的接近性，获得用于描述节点接近性的Q分布；

通过KL散度度量所述P分布和所述Q分布之间的差异；

根据所述P分布和所述Q分布之间的差异和节点中心性的边斥力策略构建第二目标函数；

对所述第二目标函数进行优化，获得所述图数据中所述节点在所述二维空间中的坐标值。

2.根据权利要求1所述的面向大规模网络的图布局方法，其特征在于，所述通过基于机器学习的网络嵌入表示模型，将图数据中每一个节点表示为低维稠密向量，构建所述图数据的嵌入矩阵，包括：

对一个所述节点，通过随机游走的采样策略采集所述节点的邻居，获得一个游走序列；

通过窗口划分所述游走序列，获得训练样本序列；

构建第一目标函数；

将所述训练样本输入到Skip-Gram模型，并通过随机梯度下降方法优化所述第一目标函数，学习得到所述节点的低维稠密向量。

3.根据权利要求2所述的面向大规模网络的图布局方法，其特征在于，所述构建第一目标函数，包括：

设置初始目标函数，所述初始目标函数为：

其中，f:V→R^k为节点到k维的映射，k为预先设定的参数，且2k|V|，f为大小为|V|×k的嵌入矩阵，|V|为图数据G＝(V,E)的节点集合大小，P_r(N_s(u)|f(u))为条件概率；

当条件独立性时，所述条件概率为：

当在k维特征空间中，两个节点之间的影响为对称时，所述条件概率为：

根据所述初始目标函数和所述条件概率得到第一目标函数，所述第一目标函数为：

4.根据权利要求1所述的面向大规模网络的图布局方法，其特征在于，所述节点中心性的边斥力策略是指在目标函数的斥力项前面添加一个度量节点中心性指标进行约束；所述节点中心性指标为所述节点的度值。

5.根据权利要求1所述的面向大规模网络的图布局方法，其特征在于，所述P分布为：

其中，||x_i-x_j||为用所述低维稠密向量表示的节点x_i和节点x_j之间的距离，δ_i为节点x_i为中心点的高斯分布的方差；

所述Q分布为：

其中，||y_i-y_j||表示所述二维空间中节点y_i和节点y_j在欧式布局空间中的距离；

所述P分布与所述Q分布之间的KL散度为：

6.根据权利要求1所述的面向大规模网络的图布局方法，其特征在于，所述第二目标函数为：

其中，第一项arg minλ_KLC_KL为度量P分布和Q分布差异的KL散度，第二项是早期压缩项，第三项为包含权重约束M_ij的斥力项，ε_r为用于防止||y_i-y_j||≈0时出现奇异点的参数，λ_KL、λ_c和λ_r为用于权衡这三项对所述第二目标函数的重要性的参数。