[发明专利]引入特征分量相似度的动态网络状态演化可视化方法

说明书

本发明请求保护一种引入特征分量相似度的动态网络状态演化可视化方法，涉及信息可视化领域，所述方法包括以下步骤：首先离散化动态网络原始数据，构造出一系列的网络快照，通过计算每个时间步子网络点边出现频数和相邻节点间的相似度进行加权，最后将各个网络快照向量化；其次，采用最大似然估计法计算出数据的本征维度，求得时间步特征分量相似度；最后将时间步特征分量相似度融入力导引布局算法中，加入相似力实现节点聚类，最终实现一个可视化布局。通过空间里节点间位置可以看到动态网络演变的过程相似的网络快照，其代表节点会离得比较近而形成一个聚类，网络结构差别越大，节点位置越相对偏远。聚类的节点表示着动态网络稳定和重现的状态。

技术领域

本发明涉及信息可视化领域，具体是一种引入特征分量相似度的动态网络状态演化可视化方法。

背景技术

人类社会早已经被网络化，人的生活中到处存在着万维网、社会关系网、交通网络等复杂网络。早期相关研究主要以静态网络为研究对象，而大多数网络数据本质上具有动态特性，即节点和连线的数量和属性等信息随着时间发生改变。时间维度的增加导致网络数据规模迅速增加、网络结构和属性不断变化，这都给可视化和分析技术提出更多的挑战。动态网络可视化的最终目标是帮助用户实现对网络数据的分析、推理和决策等。为此，可视化过程中需要识别、跟踪和理解动态网络数据的特性，如动态变化规律、动态聚类以及演化趋势等。

社交网络的状态识别和规律分析对于研究传染性疾病在人群中的传播有重要意义。Elzen等的思想是把动态网络的时间步作为高维空间的点，然后运用降维方法将其投影到二维空间的顶点，继而实现网络稳定、重复和异常等状态的识别然后运用降维方法将其投影到二维空间的顶点，继而实现网络稳定、重复和异常等状态的识别。

这种方法存在以下问题：(1)在时间步加权时只考虑了数据属性而忽略了结构属性，使得权值不够完全体现网络结构；(2)将大维度节点投影直接投影到二维空间会造成数据损失。

针对以上问题，本发明提出一种引入特征分量相似度的动态网络状态演化可视化方法。通过在最大程度上保持数据原有特性的特征分量相似度融入力导引布局算法中，加入相似力实现节点聚类，最终实现一个可视化布局。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提高网络架构真实度的引入特征分量相似度的动态网络状态演化可视化方法。本发明的技术方案如下：

一种引入特征分量相似度的动态网络状态演化可视化方法，其包括以下步骤：首先，采用网络快照之间边界互相重叠的方法离散化动态网络的原始数据，构造出一系列的网络快照，获取每个时间步下点边出现的频数，并结合相邻节点间关系强度的权值公式进行加权，最后将各个网络快照向量化；其次，采用最大似然估计法计算出网络快照向量化后的数据的本征维度，使用PCA主成分分析法降维得到每个时间步的d维的特征分量，并根据相似度公式求得时间步之间的特征分量相似度；最后，将时间步特征分量相似度融入力导引布局算法中，加入相似力和万有引力实现节点聚类，同时通过颜色变化来强调时间属性，最终实现一个可视化布局，将动态网络的演化过程呈现给用户。

进一步的，所述构造出一系列的网络快照，获取每个时间步下点边出现的频数，并结合相邻节点间关系强度的权值公式进行加权的公式如下：

f(i，e)＝|{A_j|a_j(v_m，v_n)＝e∩e∈E_i}|

w(v_m，v_n)＝k*f(i，e)+(1-k)J(v_m，v_n)