CN107423743A - 引入特征分量相似度的动态网络状态演化可视化方法 - Google Patents
引入特征分量相似度的动态网络状态演化可视化方法 Download PDFInfo
- Publication number
- CN107423743A CN107423743A CN201710166697.3A CN201710166697A CN107423743A CN 107423743 A CN107423743 A CN 107423743A CN 201710166697 A CN201710166697 A CN 201710166697A CN 107423743 A CN107423743 A CN 107423743A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- similarity
- node
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000012800 visualization Methods 0.000 claims abstract description 7
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000007794 visualization technique Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
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。
Description
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)＝|{Aj|aj(vm，vn)＝e∩e∈Ei}|
w(vm，vn)＝k*f(i，e)+(1-k)J(vm，vn)
其中，f(i，e)是边e在时间步i下出现的频数，J(vm，vn)是节点vm和vn之间的关系强度，k为常量系数。表示节点vm的邻居集合，表示节点vn的邻居集合，w(vm，vn)表示最后得到的节点vm和vn之间权值。
进一步的，所述采用最大似然估计法计算出数据的本征维度，使用PCA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具体包括；将划分的时间步网络快照进行加权后向量化，即将所有用矩阵|V|×|V|表示的网络快照重新排列成1×|V|2的行向量，再将所有行向量可堆成一个N×|V|2的矩阵，根据相似度公式求得时间步之间的特征分量相似度，特征分量相似度公式如下：
其中，是节点n1第i维的特征分量，表示节点n2第i维的特征分量，d为本征维度。
进一步的，所述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具体包括：随机初始化节点位置；计算节点间的相似力和万有引力，调整位置；将特征分量相似度S(n1，n2)融入力导引布局算法中，加入相似力fs实现节点聚类，当两节点的特征分量相似度高于阈值T时，他们之间存在着引力，当两节点的特征分量小于阈值T时，它们之间的力则为斥力，
再加入万有引力限制布局，万有引力公式如下：
fg＝k*S(n1，n2)其中，k是常量系数。
最后根据时间步节点的时间属性对节点颜色进行编码。
进一步的，所述相似力fs公式如下：
其中，k是常量系数，S(n1，n2)是节点n1和n2之间的特征分量相似度，d(n1，n2)是节点n1和n2中心位置之间的欧式距离减去各自半径后的距离。
进一步的，所述最后稳定的可视化布局位置展示动态网络在随时间演化时出现的稳定状态、重现状态、异常状态以及状态之间的转移过程。
本发明的优点及有益效果如下：
本发明通过结合数据属性和结构属性丰富时间步子网络权重，引入时间步特征分量相似度到可视化布局算法中，避免维度缺失，实现节点位置与相似度映射，从而使得可视化中的网络状态聚类和演化轨迹更加明显。
附图说明
图1是本发明提供优选实施例是计算时间步特征分量相似度的流程图；
图2是可视化方法中布局算法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是，
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，其包括以下步骤：首先离散化动态网络原始数据，构造出一系列的网络快照，通过结合每个时间步下点边出现频数和相邻节点间的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数据的本征维度，使用PCA降维技术降低数据复杂性得到特征分量并根据相似度公式求得时间步之间特征分量相似度；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。
如图1所示计算时间步特征分量相似度流程图：
A1～A2：离散化动态网络原始数据，构造出一系列的网络快照，通过结合每个时间步下点边出现频数和相邻节点间的关系强度的权值公式进行加权。所述的时间步子网络加权公式既要考虑边e在时间步i下出现的频数，也要考虑节点间的关系强度。加权公式如下：
f(i，e)＝|{Aj|aj(vm，vn)＝e∩e∈Ei}|
w(vm，vn)＝k*f(i，e)+(1-k)J(vm，vn)
其中，f(i，e)是边e在时间步i下出现的频数，J(vm，vn)是节点vm和vn之间的关系强度，k为常量系数。
A3～A5：向量化和降维阶段：即将所有的用矩阵|V|×|V|表示的网络快照重新排列成1×|V|2的行向量，再将所有行向量可堆成一个N×|V|2的矩阵。采用最大似然估计法计算出数据的本征维度d，方法的主要思想是从模型总体随机抽取n组样本观测值后，得到使得从模型中抽取该n组样本观测值的概率最大的合理的参数估计量。再通过PCA方法降维得到每个时间步的d维的特征分量，该方法的关键是考虑特征的协方差，通过线性变换将原始数据变换到新的坐标系中，将原始数据的多个维度的属性转化为少数的综合属性，使得降维后的综合属性都最大化地包含原始数据维度特征。
A6：据相似度公式求得时间步之间的特征分量相似度。特征分量相似度公式如下：
其中，是节点n1第i维的特征分量，d为本征维度。
如图2所示融入时间步特征分量相似度的布局算法流程图：
C1～C3：随机初始化节点位置。
C4～C5：计算节点间的相似力和万有引力，调整位置。将特征分量相似度S(n1，n2)融入力导引布局算法中，加入相似力fs实现节点聚类，当两节点的特征分量相似度高于阈值T时，他们之间存在着引力，当两节点的特征分量小于阈值T时，它们之间的力则为斥力，相似力公式如下：
其中，k是常量系数，S(n1，n2)是节点n1和n2之间的特征分量相似度，d(n1，n2)是节点n1和n2中心位置之间的欧式距离减去各自半径后的距离。相似力虽然能够将有相似特征分量的时间步节点聚类，但不相似的节点会无限排斥，造成布局无法稳定，所以再加入万有引力限制布局，万有引力公式如下：
fg＝k*S(n1，n2)
其中，k是常量系数。
C6：最后根据时间步节点的时间属性对节点颜色进行编码。通过最后稳定的布局位置展示动态网络在随时间演化时出现的稳定状态、重现状态、异常状态以及状态之间的转移过程。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。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种引入特征分量相似度的动态网络状态演化可视化方法，其特征在于，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对动态网络的原始数据进行离散化处理，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。
2.根据权利要求1所述的引入特征分量相似度的动态网络状态演化可视化方法，其特征在于，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)＝|{Aj|aj(vm，vn)＝e∩e∈Ei}|
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>v</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>n</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>&Gamma;</mi>
<msub>
<mi>v</mi>
<mi>m</mi>
</msub>
</msub>
<mo>&cap;</mo>
<msub>
<mi>&Gamma;</mi>
<msub>
<mi>v</mi>
<mi>n</mi>
</msub>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>&Gamma;</mi>
<msub>
<mi>v</mi>
<mi>m</mi>
</msub>
</msub>
<mo>&cup;</mo>
<msub>
<mi>&Gamma;</mi>
<msub>
<mi>v</mi>
<mi>n</mi>
</msub>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
w(vm，vn)＝k*f(i，e)+(1-k)J(vm，vn)
其中，f(i，e)是边e在时间步i下出现的频数，J(vm，vn)是节点vm和vn之间的关系强度，k为常量系数，表示节点vm的邻居集合表示节点vn的邻居集合，w(vm，vn)表示最后得到的节点vm和vn之间的权值。
3.根据权利要求1或2所述的引入特征分量相似度的动态网络状态演化可视化方法，其特征在于，所述采用最大似然估计法计算出数据的本征维度，使用PCA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具体包括；将划分的时间步网络快照进行加权后向量化，即将所有用矩阵|V|×|V|表示的网络快照重新排列成1×|V|2的行向量，再将所有行向量可堆成一个N×|V|2的矩阵，根据相似度公式求得时间步之间的特征分量相似度，特征分量相似度公式如下：
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>d</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>in</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>in</mi>
<mn>2</mn>
</msub>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中，是节点n1第i维的特征分量，表示节点n2第i维的特征分量，d为本征维度。
4.根据权利要求3所述的引入特征分量相似度的动态网络状态演化可视化方法，其特征在于，所述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具体包括：随机初始化节点位置；计算节点间的相似力和万有引力，调整位置；将特征分量相似度S(n1，n2)融入力导引布局算法中，加入相似力fs实现节点聚类，当两节点的特征分量相似度高于阈值T时，他们之间存在着引力，当两节点的特征分量小于阈值T时，它们之间的力则为斥力，再加入万有引力限制布局，万有引力公式如下：fg＝k*S(n1，n2)其中，k是常量系数；最后根据时间步节点的时间属性对节点颜色进行编码。
5.根据权利要求4所述的引入特征分量相似度的动态网络状态演化可视化方法，其特征在于，所述相似力fs公式如下：
其中，k是常量系数，S(n1，n2)是节点n1和n2之间的特征分量相似度，d(n1，n2)是节点n1和n2中心位置之间的欧式距离减去各自半径后的距离。
6.根据权利要求1或2或4或5所述的引入特征分量相似度的动态网络状态演化可视化方法，其特征在于，所述最后稳定的可视化布局位置展示动态网络在随时间演化时出现的稳定状态、重现状态、异常状态以及状态之间的转移过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710166697.3A CN107423743B (zh) | 2017-03-20 | 2017-03-20 | 引入特征分量相似度的动态网络状态演化可视化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710166697.3A CN107423743B (zh) | 2017-03-20 | 2017-03-20 | 引入特征分量相似度的动态网络状态演化可视化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107423743A true CN107423743A (zh) | 2017-12-01 |
| CN107423743B CN107423743B (zh) | 2020-11-17 |
Family
ID=60423496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710166697.3A Active CN107423743B (zh) | 2017-03-20 | 2017-03-20 | 引入特征分量相似度的动态网络状态演化可视化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107423743B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101867489A (zh) * | 2010-06-11 | 2010-10-20 | 北京邮电大学 | 实现实时显示的社会网络可视化方法及系统 |
| CN105335892A (zh) * | 2015-10-30 | 2016-02-17 | 南京邮电大学 | 一种社交网络重要用户发现的实现方法 |
| CN105654387A (zh) * | 2015-03-17 | 2016-06-08 | 重庆邮电大学 | 一种引入量化指标的时变网络社区演化可视化方法 |
| CN106157155A (zh) * | 2016-07-27 | 2016-11-23 | 北京大学 | 基于地图隐喻的社交媒体信息传播可视化分析方法及系统 |
| CN106202614A (zh) * | 2016-06-24 | 2016-12-07 | 四川大学 | 动态网络中的异常结构演化发现的方法 |
| AU2016102076A4 (en) * | 2016-12-05 | 2017-02-23 | Ibis, Hakan MR | Force-Directed Dynamic Enterprise Architecture |
-
2017
- 2017-03-20 CN CN201710166697.3A patent/CN107423743B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101867489A (zh) * | 2010-06-11 | 2010-10-20 | 北京邮电大学 | 实现实时显示的社会网络可视化方法及系统 |
| CN105654387A (zh) * | 2015-03-17 | 2016-06-08 | 重庆邮电大学 | 一种引入量化指标的时变网络社区演化可视化方法 |
| CN105335892A (zh) * | 2015-10-30 | 2016-02-17 | 南京邮电大学 | 一种社交网络重要用户发现的实现方法 |
| CN106202614A (zh) * | 2016-06-24 | 2016-12-07 | 四川大学 | 动态网络中的异常结构演化发现的方法 |
| CN106157155A (zh) * | 2016-07-27 | 2016-11-23 | 北京大学 | 基于地图隐喻的社交媒体信息传播可视化分析方法及系统 |
| AU2016102076A4 (en) * | 2016-12-05 | 2017-02-23 | Ibis, Hakan MR | Force-Directed Dynamic Enterprise Architecture |
Non-Patent Citations (2)
| Title |
|---|
| S VAN DEN ELZEN等: "Reducing Snapshots to Points: A Visual Analytics Approach to Dynamic Network Exploration", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》 * |
| 吴渝等: "展示复杂网络社团结构的社团引力导引的布局算法", 《计算机辅助设计与图形学学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107423743B (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Clustering of the self-organizing map using a clustering validity index based on inter-cluster and intra-cluster density | |
| El-Mehalawi et al. | A database system of mechanical components based on geometric and topological similarity. Part II: indexing, retrieval, matching, and similarity assessment | |
| Suganthan | Structural pattern recognition using genetic algorithms | |
| CN110879856B (zh) | 一种基于多特征融合的社交群体分类方法及系统 | |
| CN110263236B (zh) | 基于动态多视图学习模型的社交网络用户多标签分类方法 | |
| Gowda et al. | A novel approach of unsupervised feature selection using iterative shrinking and expansion algorithm | |
| KR20230034751A (ko) | 하이퍼그래프 기반 멀티에이전트 전장상황인지 시스템 및 방법 | |
| CN116340646A (zh) | 一种基于超图基序优化多元用户表示的推荐方法 | |
| CN113887698B (zh) | 基于图神经网络的整体知识蒸馏方法和系统 | |
| CN115983341A (zh) | 一种基于关系聚合超图的节点分类方法 | |
| Jia et al. | 2DPCANet: dayside aurora classification based on deep learning | |
| Silva et al. | Exploring time-series motifs through DTW-SOM | |
| CN114004364A (zh) | 采样优化方法、装置、电子设备及存储介质 | |
| Wuerkaixi et al. | Accurate Forgetting for Heterogeneous Federated Continual Learning | |
| CN107423743B (zh) | 引入特征分量相似度的动态网络状态演化可视化方法 | |
| Marasca et al. | Assessing classification complexity of datasets using fractals | |
| Ghorpade et al. | Neural Networks for face recognition Using SOM | |
| Abbasian et al. | Inner ensembles: Using ensemble methods inside the learning algorithm | |
| Lahasan et al. | Recognition of occluded faces using an enhanced EBGM algorithm | |
| Meena et al. | Facial expression recognition using the spectral graph wavelet | |
| US10275500B2 (en) | System and methods for analysis of data | |
| Jiao et al. | Deep multi-view robust representation learning | |
| Madeira et al. | On Modal Clustering with Gaussian Sum-Product Networks | |
| Alharbi et al. | Link prediction in complex networks based on a hidden variables model | |
| Shieh et al. | A new clustering validity index for cluster analysis based on a two-level SOM |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |