[发明专利]语义增强的大规模多元图简化可视化方法

说明书

本发明公开一种语义增强的大规模多元图简化可视化方法，包括：建立大规模多元图，提取大规模多元图的层次结构；利用大规模多元图的属性，根据大规模多元图的层次结构构造多尺度的社团集合，所述大规模多元图的属性包括模块度和多维属性信息熵；按照大规模多元图的层次结构对多尺度的社团集合构造多级力引导布局，通过映射显示社团的语义表达；使用映射显示后的社团得到层次视图和属性桑基视图，利用多级力引导布局、层次视图和属性桑基视图对所述大规模多元图进行可视分析。本发明能够有效简化大规模多元图的视觉表达，可以快速分析不同应用领域大规模多元图的关联结构与语义构成，具有较强的实用性。

技术领域

本发明涉及一种大规模多元图简化可视分析方法，属于图可视化领域。

背景技术

网络图可视化可以有效展示网络节点之间的连接关系，广泛应用于诸多领域，如社交网络、知识图谱、生物基因网络等。随着网络数据规模的不断增加，如何简化表达大规模网络图结构已成为图可视化领域中的研究热点。经典的网络图简化可视化方法主要包括图采样、边绑定和图聚类等技术，在减少大量点线交叉造成的视觉紊乱的基础上，提高用户对大规模网络结构的探索和认知效率。然而，上述方法主要侧重于网络图中的拓扑结构，却较少考虑和利用多元图节点的多维属性特征，难以有效提取和表达语义信息，帮助用户理解大规模多元网络的拓扑结构与多维属性之间的内在关联，为大规模多元图的认知和理解带来困难。

网络图经常用于抽象表达实体与实体之间的关系。例如，社交网络(socialnetwork)中，节点代表社交媒体用户，边代表用户之间的好友关系；引文网络(citationnetwork)中，节点代表论文，边代表论文之间的引用关系；在蛋白质网络(protein-proteininteraction networks)中，节点代表蛋白质，边代表两个蛋白质在表达生物功能时的相互作用。因此，研究者们广泛利用网络图分析各自领域(包括社会学、生物学、交通地理学等)的实体关系结构，探索和洞察网络的结构特性。网络图可视化充分利用人类的视觉感知能力和信息处理能力，以其直观、易于理解的优点逐渐成为网络图分析的重要手段，其中以点线链接式的网络图可视化方法为代表，应用最为广泛。

随着数据规模的不断增加，节点的数量越来越多，关系结构越来越复杂。传统的点线链接图出现大量的点线交叉和重叠，给用户造成严重的视觉紊乱和混淆，增加了网络结构的理解难度。因此，大量研究提出多种大规模网络图简化方法，如图采样、边绑定和图聚类等技术，一定程度上降低了用户对大规模网络图的认知负担，提高了探索效率。大规模网络图不仅具有复杂的拓扑结构，而且具有多元属性描述。例如，社交网络中，每个用户节点都有丰富的个人资料描述，包括性别、年龄、职业、地域等；引文网络中，每个论文节点具有相应的发表时间、研究主题、引用次数、所属会议或者期刊等信息。多元属性信息能够从不同方面反映实体之间语义关联结构的内聚特性，以及更高层次的聚类之间的耦合特性。然而，传统的大规模网络图简化可视化方法，难以充分利用网络节点的多维属性信息，提取有效的语义知识，从而无法帮助用户更好地理解拓扑结构与多维属性的语义关联，不能深入探索网络特性等。

发明内容

本发明的目的是提供一种语义增强的大规模多元图简化可视化方法。

为实现上述目的，本发明所采取的技术方案是：

本发语义增强的大规模多元图简化可视化方法包括如下步骤：

(1)建立大规模多元图，提取大规模多元图的层次结构；

(2)利用大规模多元图的属性，根据大规模多元图的层次结构构造多尺度的社团集合，所述大规模多元图的属性包括模块度和多维属性信息熵；

(3)按照大规模多元图的层次结构对多尺度的社团集合构造多级力引导布局，通过映射显示社团的语义表达；

(4)使用映射显示后的社团得到层次视图和属性桑基视图，利用多级力引导布局、层次视图和属性桑基视图对所述大规模多元图进行可视分析。