[发明专利]一种基于深度学习模型的布局偏好预测方法

说明书

人类偏爱于哪种布局算法生成的布局，其影响因素不仅包括人类的视觉感知和认知系统的复杂性，同时也包含图拓扑结构的多样性。为了系统地分析人类对布局的偏好，本发明公开了一种基于图神经网络的布局偏好预测方法，采用深度学习方案，以一对图布局的节点坐标作为输入，预测人类对输入对布局的偏好，其过程主要分为特征提取阶段和预测阶段。在特征提取阶段，使用局部特征网络提取各个节点的邻域信息，利用多层的卷积和池化操作分析布局的拓扑结构和节点信息，获得布局的全局特征；考虑布局中边特征的重要性，本发明还通过边特征网络在卷积过程中融合边的信息；在预测阶段中，本发明通过拼接前述两个网络所输出的全局特征向量，并输入到Siames网络分析两个向量间的差异，从而预测布局的偏好。

技术领域

本发明涉及图布局评估领域，具体指一种基于深度学习(图神经网络)的图布局偏好预测方法。

背景技术

随着信息技术的发展和各种社交网络的不断出现，复杂网络分析已成为最近几十年研究的热门课题，而图是对这些网络数据进行编码的常用表示形式。通过对图的挖掘和分析，有助于理解复杂的关系。但是在挖掘分析的过程中会存在一个问题，图一般会以数字的形式来存储，这就会大大限制人们对数据的理解程度。因此，通过对图的可视化就能够更好地展示数据的关系和结构信息，使人们更加深入的理解数据间的关系。

节点链接图是图可视化最常用的方法，其中节点被绘制为点，边被渲染为线段。在过去的几十年里，各种绘制节点链接图的算法相应被提出，主要有以下几种：力引导布局、降维布局、多层次布局。好的图布局可以在有限的空间展示大量的数据，也可以降低用户理解网络结构的难度。可视化的质量随布局算法不同而改变,因此如何评估一个好的布局至关重要。

一般来说，从美学的角度评估图布局的质量，即按照布局算法绘制的图应尽量遵循以下一些指标：边交叉数量最小指标、相邻点空间位置接近指标、节点不重叠指标、角度分辨率最小指标、应力最小指标等等。通过不同美学指标的约束，我们可以获得不同类型的布局，以满足用户不同的需求。

图布局的好坏也能从人类的偏好来决定。一个符合人们审美的布局算法能够极大提升用户的视觉体验。为了设计符合大众审美的布局算法，了解人们喜欢什么样的布局，以及为什么喜欢这种布局风格是须思考并解决的问题。但由于人类的视觉感知和认知系统的复杂性，使得这一问题具有更大的挑战性。过去不少实验表明，人类对图布局的偏好与边交叉、应力能量等指标存在关联，但鲜有人将这种偏好系统地进行抽象概括，转而应用到其它的地方上，而神经网络的兴起与应用成功推动了对人类偏好学习的研究。

发明内容

为了预测人类对图布局的偏好，本发明提出了一种基于深度学习的框架。基于图神经网络和Siames模型，设计了两种特征提取网络结构，可以有效地提取图布局的结构信息、拟合正确的布局-偏好映射函数。

为了解决上述技术问题，本发明的技术方案为：一种基于深度学习模型的布局偏好预测方法，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。