[发明专利]一种基于深度学习模型的布局偏好预测方法

权利要求书

1.一种基于深度学习模型的布局偏好预测方法，其特征在于，包括以下步骤：

S1、训练数据集获取，包括直接收集公共Rome图数据集，以及利用不同算法采样大型网络生成Sample图数据集，并应用不同布局算法分别为每个图生成布局数据；

S2、数据预处理，包括布局数据的归一化以及布局的标签标注；根据参与者的布局偏好以及布局的美学指标，对生成的所有布局标注相应的标签，并且对所有布局数据进行标准化处理；

S3、神经网络模型的构建，基于图神经网络和Siames模型，设计了两种特征提取网络结构，并以此构建一个偏好预测网络；

S4、神经网络模型损失的构建，最小化模型的预测标签和人类偏好标签之间的差异，优化神经网络模型的参数；

S5、神经网络模型的训练和优化，通过指标标签样本预训练模型，迁移到偏好标签样本进行微调，以此使用优化器优化模型参数；

S6、保存模型及模型参数，当训练达到最大迭代次数或目标函数趋于平稳时，保存模型及模型参数。

2.根据权利要求1所述的一种基于深度学习模型的布局偏好预测方法，其特征在于，步骤S1中从公共图数据集Rome选取节点数量在50到100的图作为第一个训练数据集；

对大型网络采样生成节点数量在100到1000之间的Sample图作为第二个数据集；

所使用的不同布局方法包括：FR、Stress Majorization、SFDP、FA2、PivotMDS。

3.根据权利要求1所述的一种基于深度学习模型的布局偏好预测方法，其特征在于，步骤S2中采用用户调研，选取30个参与者对每个数据集中500个图的不同布局进行评级为1-5的评估打分，根据最终的分数来决定其偏好标签；

选取6个美学指标，设置权重，为每个数据集中所剩下的图布局计算它的指标分数，确定相应的指标标签；

对所有图布局数据进行标准化处理，包括中心化处理和归一化处理。

4.根据权利要求1所述的一种基于深度学习模型的布局偏好预测方法，其特征在于，步骤S3中偏好预测网络包括：特征提取网络和Siames网络；

特征提取网络包括：边特征提取网络和局部特征提取网络；

特征提取网络将节点特征为N×2以及邻接矩阵为N×N的一对图布局进行特征编码，输入到Siames网络以输出人类对输入布局的偏好值；

若偏好值小于0.5，则更喜欢第一种，反之第二种。

5.根据权利要求1所述的一种基于深度学习模型的布局偏好预测方法，其特征在于，步骤S4中，损失函数的目的主要是衡量预测值与布局标签的差异，选择交叉熵损失函数作为模型的目标函数。

6.根据权利要求1所述的一种基于深度学习模型的布局偏好预测方法，其特征在于，步骤S5中首先对指标标签的图布局进行训练得到一个预训练模型，在其基础上，训练偏好标签的数据对模型进行微调。

7.根据权利要求1所述的一种基于深度学习模型的布局偏好预测方法，其特征在于，步骤S6中，神经网络模型持续训练100个周期，BatchSize为32，优化器采用学习率为0.001的Adam，神经网络模型的激活函数为Relu函数。