[发明专利]一种基于社区发现与聚类优化的力导向图布局方法

说明书

本发明公开了一种基于社区发现与聚类优化的力导向图布局方法，涉及图数据的可视化布局技术领域。包括：将原始数据转化为相应的图数据；将所述图数据的节点划分为叶子节点和非叶子节点，将每个非叶子节点视为一个社区并对叶子节点进行压缩，获得压缩图数据；对压缩图数据进行传统Louvain算法第一阶段时的最大化模块度的社区发现过程；对上步更新的图数据利用选择性的社区合并代替传统Louvain算法第二阶段中迭代的社区合并过程；对步骤4中得到的社区结构及对应的图数据，利用ComboForce布局算法实现基于聚类优化的力导向图布局。该方法提高了力导向图布局对图数据进行可视化布局时的布局效率，并优化了力导向图布局对图数据进行可视化布局时的布局效果。

技术领域

本发明涉及图数据的可视化布局技术领域，具体涉及一种基于社区发现与聚类优化的力导向图布局方法。

背景技术

可视化布局可以将数据转换成图形或图像在屏幕上显示出来并提供交互，从而对数据中的有效、有价值的信息进行直观地展示，这对数据的分析、挖掘会起到重要作用。对于不同类型的数据，可视化布局需要将其转换成不同类别的图形，从而形成不同类型的图表。

图数据是一种体现复杂的数据实体和数据关系的数据，存在于社交网络，生物网络、移动设备联通网络、金融交易网络等领域中。图数据的数据模型可以看作节点和边的集合，并通常可以用公式表达为如下形式：G＝V，E，其中，V(vertex)代表数据模型中的节点，体现数据的实体，可包含实体属性(表现为键值对)；E(edge)代表数据模型中的边，总是从一个起始节点(source)到一个结束节点(target)，体现实体间的关系，可以包含属性和方向。通过图数据能够构建各种场景下的数据关系模型，如文学作品或社交网络人物关系网、金融交易或人员管理网络、自然语言处理三元组集合关系网等。对于图数据，常采用的可视化布局方式为节点链接图(node-link graph)布局，即用节点和节点间的链接体现数据实体和实体关系。

力导向图布局是一种常用的节点链接图布局方法，力导向图布局中包含节点和链接节点的边，通过建立力学模型，让任意两节点之间存在斥力，使它们不会相距太近，让存在边的两节点之间存在引力，使它们不会相距太远，从而美化节点链接图布局效果。但是传统的力导向图布局也存在一定的局限性，主要表现在布局效率和布局效果上。传统的力导向图布局需要一定时间使力学模型从无序达到稳态，当图数据规模较大、关系较复杂时，力学模型往往需要通过较长时间的震荡才能收敛为稳定状态，限制了布局效率；同时当图数据规模较大、关系较复杂时，仅依靠节点间的斥力和引力，往往仍然无法避免节点和边间的重叠现象，影响了布局效果。因此优化力导向图布局是重要的研究方向。

目前，力导向图布局的优化主要是对其力学模型的优化，例如利用多维尺度分析(MDS)方法得到节点之间欧氏距离的近似解进而完成节点布局；利用多层迭代布局算法(Multilevel Algorithm)先绘制一些具有代表性的节点的简略图形，并逐步加入原有节点提高精度，最后生成理想布局；文献号为CN 107818149B的中国专利《一种基于力导引算法的图数据可视化布局优化方法》对传统力导向图的布局规则增加了布局时节点和边的位置的调整方式和稳定方式。但是这些优化方法存在以下几个问题：1.通常只针对力学模型进行调整，而力学模型形成的布局中节点的几何距离往往和图数据中节点间的路径长度存在一定的误差，影响对图数据的理解和判断；2.通常只依靠图数据中节点和边的基本属性调整力学模型，没有对图数据中蕴含的信息进行分析和挖掘，造成最终的布局对图数据分析结果的展示不充分。

发明内容

针对现有技术存在的问题，本发明提供了一种基于社区发现与聚类优化的力导向图布局方法，旨在提高力导向图布局对图数据进行可视化布局时的布局效率，并优化力导向图布局对图数据进行可视化布局时的布局效果。

本发明的技术方案是：

一种基于社区发现与聚类优化的力导向图布局方法，该方法包括如下步骤：

步骤1：将需要利用可视化布局进行数据分析的原始数据转化为相应的图数据；