CN112069365B - 一种基于范例的节点链接图布局的迁移方法及装置 - Google Patents
一种基于范例的节点链接图布局的迁移方法及装置 Download PDFInfo
- Publication number
- CN112069365B CN112069365B CN202010843762.3A CN202010843762A CN112069365B CN 112069365 B CN112069365 B CN 112069365B CN 202010843762 A CN202010843762 A CN 202010843762A CN 112069365 B CN112069365 B CN 112069365B
- Authority
- CN
- China
- Prior art keywords
- matching
- nodes
- network structure
- layout
- relations
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000005012 migration Effects 0.000 title claims abstract description 22
- 238000013508 migration Methods 0.000 title claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 5
- 238000013459 approach Methods 0.000 abstract 1
- 238000013507 mapping Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于范例的节点链接图布局的迁移方法及装置,包括:为两个网络结构建立一对一的匹配关系,其中每个网络结构包括节点和边,节点表示任一实体,边表示实体之间的关系,匹配关系表示从一个网络结构的节点到另一网络结构的节点的映射关系;对齐两个网络结构的布局,布局表示网络结构中的节点的位置信息;对匹配关系进行检查和筛选,保留一部分匹配关系;利用保留的匹配关系再次对齐网络结构的布局;移动其中一个网络结构中存在匹配关系的节点,使它们靠近它们对应的匹配节点,并且用压力优化模型保护原有的布局信息;利用新的布局结果,构建新的匹配关系并合并到原有的匹配关系中;不断重复迭代上述过程,直到不再构建新的匹配关系。
Description
技术领域
本发明涉及可视化数据分析领域,特别涉及一种基于范例的节点链接图布局的迁移方法及装置。
背景技术
互联网、生物分子结构分析、商业分析等领域产生了大量的网络数据,该数据类型用于描述实体之间的关系。比如社交网络中人与人之间的好友关系。对网络数据进行可视化,能帮助用户可视地理解网络中不同实体之间的关系,提取网络中蕴含的潜在价值,比如分析金融交易网络存在的违规交易、风险交易,分子网络中存在的特殊生物分子蛋白结构等等。
已有多种技术对网络数据可视化,其中最主要的形式是节点链接图。平面上的一个节点代表网络数据中的一个实体,一条边代表网络数据中实体和实体之间的联系。其中涉及到将网络数据绘制成节点链接图的技术称为布局技术。一个良好的布局结果,能帮助分析者快速提炼网络数据所蕴含的知识。虽然已有布局技术,诸如力引导算法,能够绘制网络数据的节点链接图,但其中的布局准则因网络数据、分析任务以及分析者本身的偏好的变化而变化,具有主观性。基于规则的布局方法已经能够集成一些用户偏好到网络布局中。然而他们仅仅能够拖拽某个节点亦或是整个节点链接图,完全自由的,细粒度的微调(如:节点位置)仍然只能手动进行,然而这项工作非常的耗时。
发明内容
本发明实施例的目的是提供一种基于范例的节点链接图布局的迁移方法及装置,以解决现有存在用户需要对相似网络结构进行重复手动布局的问题。
为了达到上述目的,本发明所采用的技术方案如下:
第一方面,本发明实施例提供一种基于范例的节点链接图布局的迁移方法,用于使一个源网络结构的布局S=(VS,ES)迁移至目标网络结构的布局T=(VT,ET),VS和ES分别表示源网络结构的节点和边,其中VT和ET分别表示目标网络结构的节点和边,包括:
单射匹配建立步骤,用于建立目标网络结构的节点VT和源网络结构的节点VS之间单射的匹配关系C,记做C={(CTi,CSi)},其中C由多对关系组成,每对关系(CTi,CSi)包含两个节点,CTi和CSi分别来自VT和VS;
第一对齐步骤,用于利用所述的匹配关系C将目标网络结构和源网络结构的布局对齐;
筛选步骤,用于对匹配关系C中的每一对关系进行检验,筛选出符合(CSi,CTi)欧式距离小于给定参数r且CSi的邻节点有n%以上能够匹配CTi的邻节点的匹配关系M,记做M={(MTi,MSi)},MTi和MSi分别表示在目标结构和源结构中的节点;
第二对齐步骤,用于根据所述的匹配关系M,再次对齐目标网络结构和源网络结构的布局;
移动步骤,用于移动匹配关系M中的所有来自T的MTi节点,使它们能够移动到对应的S布局中的MSi节点的位置;在移动的同时,用压力优化模型保护T原有的布局信息,即节点与节点之间的相对位置,从而产生一个新的布局T0;
合并步骤,用于初始化M1为空集,检查T0和S任意两个仍未在M中的节点之间的距离,如果它们的距离小于给定参数r,则将它们视作一对新的可能的匹配关系,添加至非单射的集合M1中,采用匈牙利算法将M1精简为一组单射匹配关系,使得每对匹配关系的两个节点的欧氏距离的总和最小,最后将M1并入M;
迭代步骤,用于重复移动步骤和合并步骤,直到合并步骤不再新增新的匹配关系,此时产生最终布局结果T1。
第二方面,本发明实施例还提供一种基于范例的节点链接图布局的迁移装置,用于使一个源网络结构的布局S=(VS,ES)迁移至目标网络结构的布局T=(VT,ET),其中VS和ES分别表示源网络结构的节点和边,VT和ET分别表示目标网络结构的节点和边,其特征在于,包括:
单射匹配建立模块,用于建立目标网络结构的节点VT和源网络结构的节点VS之间单射的匹配关系C,记做C={(CTi,CSi)},其中C由多对关系组成,每对关系(CTi,CSi)包含两个节点,CTi和CSi分别来自VT和VS;
第一对齐模块,用于利用所述的匹配关系C将目标网络结构和源网络结构的布局对齐;
筛选模块,用于对匹配关系C中的每一对关系进行检验,筛选出符合(CSi,CTi)欧式距离小于给定参数r且CSi的邻节点有n%以上能够匹配CTi的邻节点的匹配关系M,记做M={(MTi,MSi)},MTi和MSi分别表示在目标结构和源结构中的节点;
第二对齐模块,用于根据所述的匹配关系M,再次对齐目标网络结构和源网络结构的布局;
移动模块,用于移动匹配关系M中的所有来自T的MTi节点,使它们能够移动到对应的S布局中的MSi节点的位置;在移动的同时,用压力优化模型保护T原有的布局信息,即节点与节点之间的相对位置,从而产生一个新的布局T0;
合并模块,用于初始化M1为空集,检查T0和S任意两个仍未在M中的节点之间的距离,如果它们的距离小于给定参数r,则将它们视作一对新的可能的匹配关系,添加至非单射的集合M1中,采用匈牙利算法将M1精简为一组单射匹配关系,使得每对匹配关系的两个节点的欧氏距离的总和最小,最后将M1并入M;
迭代模块,用于重复执行移动模块和合并模块,直到合并模块不再新增新的匹配关系,此时产生最终布局结果T1。
第三方面,本发明实施例还提供一种基于范例的节点链接图布局的迁移方法,用于使一个源网络结构的布局S=(VS,ES)迁移至目标网络结构的布局T=(VT,ET),其中目标网络结构和源网络结构均从电力系统网络中抽取,VS和ES分别表示源网络结构中的电力网络的母线、以及母线与母线之间的电力传输,VT和ET分别表示目标网络结构中的电力网络的母线、以及母线与母线之间的电力传输,包括:单射匹配建立步骤、第一对齐步骤、筛选步骤、第二对齐步骤、移动步骤、合并步骤以及迭代步骤,这些步骤在第一方面已经描述,这里不再进行赘述。
第四方面,本发明实施例还提供一种基于范例的节点链接图布局的迁移方法,用于使一个源网络结构的布局S=(VS,ES)迁移至目标网络结构的布局T=(VT,ET),其中源网络结构和目标网络结构均从学生交流网络中抽取,VS和ES分别表示源网络结构中的学生、以及学生与学生的会面,VT和ET分别表示目标网络结构中的学生、以及学生与学生的会面,包括:单射匹配建立步骤、第一对齐步骤、筛选步骤、第二对齐步骤、移动步骤、合并步骤以及迭代步骤,这些步骤在第一方面已经描述,这里不再进行赘述。
根据以上技术方案,本发明可以将用户对一个网络结构(范例)的布局微调,迁移到相似的网络结构的布局上,从而降低用户调整相似布局的重复劳动。
本发明利用两个网络结构的匹配关系,能够将一个结构的布局,自动迁移到另一个结构上。该发明能够降低人对节点链接图布局的重复调整,自动能够将多个网络结构用同一种用户指定的布局进行绘制,以提高分析效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例提供一种基于范例的节点链接图布局的迁移方法的流程图;
图2为实施例2中两个输入的电力网络结构并用对应关系对齐的示意图;
图3为实施例2中利用筛选后的对应关系再次对齐的示意图;
图4为实施例2中步骤5变换T结构的示意图;
图5为实施例2中筛选满足条件的节点对的示意图;
图6为实施例2中不断重复步骤5和步骤6的过程产生最终结果的示意图;
图7为实施例3中两个输入的学生交流网络结构示意图;
图8为实施例3中用对应关系对齐并进行筛选后再次对齐的示意图;
图9为实施例3中多次迭代后产生最终结果的示意图。
图10为本发明实施例提供一种基于范例的节点链接图布局的迁移装置的款图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,一个网络数据结构可以表示为G=(V,E)。其中V表示节点集合,也就是网络数据中包含的实体的集合,比如社交网络中的个人用户;E表示边的集合,也就是实体与实体之间的关系。本发明中,由于网络数据被绘制成了节点链接图,G包含了布局信息,此时V中的每个节点也拥有一个二维坐标。
实施例1:
参考图1,本发明实施例提供一种基于范例的节点链接图布局的迁移方法,用于使一个源网络结构的布局S=(VS,ES)迁移至目标网络结构的布局T=(VT,ET),其中VS和ES分别表示源网络结构的节点和边,VT和ET分别表示目标网络结构的节点和边,包括:
单射匹配建立步骤S101,用于建立目标网络结构的节点VT和源网络结构的节点VS之间单射的匹配关系C,记做C={(CTi,CSi)},其中C由多对关系组成,每对关系(CTi,CSi)包含两个节点,CTi和CSi分别来自VT和VS;
具体地,本方法使用了分解图匹配算法(FGM,Factorized Graph Matching)为两个网络结构建立匹配关系。其他能够建立单射匹配关系的图匹配方法,比如谱匹配算法(Spectral Matching),概率匹配方法(Probabilistic Matching)等,亦可用于建立匹配关系。优选地,这里采用FGM算法,因为它能够在多种不同数据集下产生高精度匹配结果。
第一对齐步骤S102,用于利用所述的匹配关系C将目标网络结构和源网络结构的布局对齐;
具体地,对齐的目标是通过对VT进行缩放、平移、旋转操作,使得C中的每对节点(CSi,CTi)的欧式距离达到最小。该步骤是一个预处理步骤,在不改变目标网络结构布局的情况下,缩小目标网络结构和源网络结构的差距,使后面的步骤更容易进行。
筛选步骤S103,用于对匹配关系C中的每一对关系进行检验,筛选出符合(CSi,CTi)欧式距离小于给定参数r且CSi的邻节点有n%以上能够匹配CTi的邻节点的匹配关系M,记做M={(MTi,MSi)},MTi和MSi分别表示在目标结构和源结构中的节点;因为匹配算法为所有节点都找到匹配关系,易产生不良的匹配关系,这里提出了两个过滤条件,用一种启发式的过程剔除掉不良匹配关系。
第二对齐步骤S104,用于根据所述的匹配关系M,再次对齐目标网络结构和源网络结构的布局;这里利用筛选后的匹配关系,能更加精准的对齐目标网络结构和源网络结构。
移动步骤S105,用于移动匹配关系M中的所有来自T的MTi节点,使它们能够移动到对应的S布局中的MSi节点的位置;在移动的同时,用压力优化模型保护T原有的布局信息,即节点与节点之间的相对位置,从而产生一个新的布局T0;在调整MTi节点位置的过程中,本方法使用压力优化模型来保留原有布局信息。若仅调整节点的位置,则会导致布局的变化比较突兀,被调整的节点的周围布局信息将会损失。
合并步骤S106,用于初始化M1为空集,检查T0和S任意两个仍未在M中的节点之间的距离,如果它们的距离小于给定参数r,则将它们视作一对新的可能的匹配关系,添加至非单射的集合M1中,采用匈牙利算法将M1精简为一组单射匹配关系,使得每对匹配关系的两个节点的欧氏距离的总和最小,最后将M1并入M;这里选出一些距离较小的节点对对当成可能的匹配关系,因为相对应的两个节点会较为邻近。从非单射的集合M1中选出一组单射匹配关系,需要解决最大匹配问题,匈牙利算法是解决该问题的最佳算法。
迭代步骤S107,用于重复移动步骤和合并步骤,直到合并步骤不再新增新的匹配关系,此时产生最终布局结果T1。通过此处不断重复上述步骤,能够提供更多的匹配关系,从而使得结果更加精准。
实施例2:
本实施例提供一种基于范例的节点链接图布局的迁移方法,用于目标网络结构的布局T=(VT,ET)模仿另一网络结构的布局S=(VS,ES),其中目标网络结构和另一网络结构均从电力系统网络中抽取,这是两个环状的电网结构,但布局结构暂时不一致。本发明能够实现S的布局转移到T上,从而得到T1,以方便比较两者之间的异同;VS和ES分别表示源网络结构中的电力网络的母线、以及母线与母线之间的电力传输,VT和ET分别表示目标网络结构中的电力网络的母线、以及母线与母线之间的电力传输,参考图2,该方法包括以下步骤:
步骤1:参见图2,用分解图匹配算法(FGM),建立目标网络结构的节点VT和源网络结构的节点VS之间单射的匹配关系C,记做C={(CTi,CSi)},其中C由多对关系组成,每对关系(CTi,CSi)包含两个节点,CTi和CSi分别来自VT和VS;
步骤2:利用所述的匹配关系C将目标网络结构和源网络结构的布局对齐;对齐的目标是通过对VT进行缩放、平移、旋转操作,使得C中的每对节点(CSi,CTi)的欧式距离达到最小,此步骤能够使得两个网络结构尽可能匹配接近;
步骤3:对匹配关系C中的每一对关系进行检验,设定r为T结构中边的平均长度的两倍大小,n为50;其中(A-1),(C-3)和(E-6)的匹配关系符合欧式距离小于给定参数r,且前者的邻节点有n%以上能够匹配后者的邻节点,将M初始化为这三对关系;
步骤4:根据步骤3中的三对匹配关系,再次对齐S结构和T结构(参见图3);
步骤5:移动节点1,3和6,使得他们完全跟节点A,C和E相同。在此过程中,使用了压力优化模型(stress majorization)尽可能保持原有的节点相对位置(参见图4);
步骤6:寻找任意两个仍未在M中的节点,满足它们之间的距离小于T结构的边的平均长度的两倍大小。然后利用匈牙利算法,以节点距离为算法代价,寻找到两对关系:(B-2)和(D-5),加入M(参见图5);
步骤7:重复步骤5和步骤6,经过多轮迭代(参见图6),直到步骤6不再新增新的匹配关系,最终产生T1布局,此时两个网络结构的节点链接图布局趋向于一致,方便分析者比对两个网络结构的异同。
实施例3:
本实施例提供一种基于范例的节点链接图布局的迁移方法,用于使一个源网络结构的布局S=(VS,ES)迁移至目标网络结构的布局T=(VT,ET),参见图7,其中目标网络结构和另一网络结构均从学生交流网络中抽取,S结构的节点链接图呈现为正交布局,更符合人的认知和审美,VS和ES分别表示源网络结构中的学生、以及学生与学生的会面,VT和ET分别表示目标网络结构中的学生、以及学生与学生的会面,包括:
步骤1:利用分解图匹配算法(FGM),建立目标网络结构的节点VT和源网络结构的节点VS之间单射的匹配关系C,记做C={(CTi,CSi)},其中C由多对关系组成,每对关系(CTi,CSi)包含两个节点,CTi和CSi分别来自VT和VS;
步骤2:利用所述的匹配关系C将目标网络结构和源网络结构的布局对齐;对齐的目标是通过对VT进行缩放、平移、旋转操作,使得C中的每对节点(CSi,CTi)的欧式距离达到最小,此步骤能够使得两个网络结构尽可能匹配接近(图7);
步骤3:对所有匹配的节点对进行检验,设定r为T结构中边的平均长度的两倍大小;其中有8对匹配关系符合欧式距离小于给定参数r,且前者的邻节点有50%以上能够匹配后者的邻节点,将M初始化为这8对关系;
步骤4:根据步骤3中的8对匹配关系,再次对齐S结构和T结构(图8);
步骤5:移动上述8对匹配关系中。在此过程中,使用了压力优化模型(stressmajorization)尽可能保持原有的节点相对位置(图8);
步骤6:寻找任意两个仍未在M中的节点,满足它们之间的距离小于T结构中边的平均长度的两倍大小。然后利用匈牙利算法,以节点距离为算法代价,寻找到6对关系,加入M;
步骤7:重复步骤5和步骤6,经过多轮迭代,终于不再产生更多的匹配关系,最终产生T1布局(图9),至此T结构也大致呈现出正交布局,当两个结构都呈现同一种布局时,比较分析就更加容易进行。
实施例4:
图10为本发明实施例提供的一种基于范例的节点链接图布局的迁移装置的款图,该装置可以执行任意本发明任意实施例所提供的一种基于范例的节点链接图布局的迁移方法,具备执行该方法相应的功能模块和有益效果。如图10所示,本实施例提供一种基于范例的节点链接图布局的迁移装置,用于使一个源网络结构的布局S=(VS,ES)迁移至目标网络结构的布局T=(VT,ET),其中VS和ES分别表示源网络结构的节点和边,VT和ET分别表示目标网络结构的节点和边,包括:
单射匹配建立模块901,用于建立目标网络结构的节点VT和源网络结构的节点VS之间单射的匹配关系C,记做C={(CTi,CSi)},其中C由多对关系组成,每对关系(CTi,CSi)包含两个节点,CTi和CSi分别来自VT和VS;
第一对齐模块902,用于利用所述的匹配关系C将目标网络结构和源网络结构的布局对齐;
筛选模块903,用于对匹配关系C中的每一对关系进行检验,筛选出符合(CSi,CTi)欧式距离小于给定参数r且CSi的邻节点有n%以上能够匹配CTi的邻节点的匹配关系M,记做M={(MSi,MTi)},MSi和MTi分别表示在源结构和目标结构中的节点;
第二对齐模块904,用于根据所述的匹配关系M,再次对齐目标网络结构和源网络结构的布局;
移动模块905,用于移动匹配关系M中的所有来自T的MTi节点,使它们能够移动到对应的S布局中的MSi节点的位置;在移动的同时,用压力优化模型保护T原有的布局信息,即节点与节点之间的相对位置,从而产生一个新的布局T0;
合并模块906,用于初始化M1为空集,检查T0和S任意两个仍未在M中的节点之间的距离,如果它们的距离小于给定参数r,则将它们视作一对新的可能的匹配关系,添加至非单射的集合M1中,采用匈牙利算法将M1精简为一组单射匹配关系,使得每对匹配关系的两个节点的欧氏距离的总和最小,最后将M1并入M;
迭代模块907,用于重复执行移动模块和合并模块,直到合并模块不再新增新的匹配关系,此时产生最终布局结果T1。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的设备实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于范例的节点链接图布局的迁移方法,用于使一个源网络结构的布局S=(VS,ES)迁移至目标网络结构的布局T=(VT, ET),其中目标网络结构和源网络结构均从电力系统网络中抽取, VS和ES分别表示源网络结构中的电力网络的母线、以及母线与母线之间的电力传输,VT和ET分别表示目标网络结构中的电力网络的母线、以及母线与母线之间的电力传输,其特征在于,包括:
单射匹配建立步骤,用于建立目标网络结构的节点VT和源网络结构的节点VS之间单射的匹配关系C,记做C={(CTi, CSi)},其中C由多对关系组成,每对关系(CTi, CSi)包含两个节点,CTi和CSi分别来自VT和VS;
第一对齐步骤,用于利用所述的匹配关系C将目标网络结构和源网络结构的布局对齐;
筛选步骤,用于对匹配关系C中的每一对关系进行检验,筛选出符合(CSi, CTi)欧式距离小于给定参数r且CSi的邻节点有n%以上能够匹配CTi的邻节点的匹配关系M,记做M={(MTi, MSi)},MTi和MSi分别表示在目标网络结构和源结构中的母线;
第二对齐步骤,用于根据所述的匹配关系M,再次对齐目标网络结构和源网络结构的布局;
移动步骤,用于移动匹配关系M中的所有来自T的MTi节点,使它们能够移动到对应的S布局中的MSi节点的位置;在移动的同时,用压力优化模型保护T原有的布局信息,即节点与节点之间的相对位置,从而产生一个新的布局T0;
合并步骤,用于初始化M1为空集,检查T0和S任意两个仍未在M中的节点之间的距离,如果它们的距离小于给定参数r,则将它们视作一对新的可能的匹配关系,添加至非单射的集合M1中,采用匈牙利算法将M1精简为一组单射匹配关系,使得每对匹配关系的两个节点的欧氏距离的总和最小,最后将M1并入M;
迭代步骤,用于重复移动步骤和合并步骤,直到合并步骤不再新增新的匹配关系,此时产生最终布局结果T1。
2.根据权利要求1所述的一种基于范例的节点链接图布局的迁移方法,其特征在于,所述单射匹配建立步骤中,使用了分解图匹配算法(FGM,Factorized Graph Matching)为两个网络结构建立匹配关系。
3.根据权利要求1所述的一种基于范例的节点链接图布局的迁移方法,其特征在于,所述第一对齐步骤中,对齐的目标是通过对VT进行缩放、平移、旋转操作,使得C中的每对节点(CSi, CTi)的欧式距离达到最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010843762.3A CN112069365B (zh) | 2020-08-20 | 2020-08-20 | 一种基于范例的节点链接图布局的迁移方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010843762.3A CN112069365B (zh) | 2020-08-20 | 2020-08-20 | 一种基于范例的节点链接图布局的迁移方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069365A CN112069365A (zh) | 2020-12-11 |
CN112069365B true CN112069365B (zh) | 2024-03-05 |
Family
ID=73662224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010843762.3A Active CN112069365B (zh) | 2020-08-20 | 2020-08-20 | 一种基于范例的节点链接图布局的迁移方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069365B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1085693A2 (en) * | 1999-09-13 | 2001-03-21 | International Business Machines Corporation | Network visualization tool |
CN103440274A (zh) * | 2013-08-07 | 2013-12-11 | 北京航空航天大学 | 一种基于细节描述的视频事件概要图构造和匹配方法 |
CN109962811A (zh) * | 2019-01-07 | 2019-07-02 | 西南科技大学 | 一种针对时变网络数据的增量式稳态布局方法 |
CN111192154A (zh) * | 2019-12-25 | 2020-05-22 | 西安交通大学 | 一种基于风格迁移的社交网络用户节点匹配方法 |
-
2020
- 2020-08-20 CN CN202010843762.3A patent/CN112069365B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1085693A2 (en) * | 1999-09-13 | 2001-03-21 | International Business Machines Corporation | Network visualization tool |
CN103440274A (zh) * | 2013-08-07 | 2013-12-11 | 北京航空航天大学 | 一种基于细节描述的视频事件概要图构造和匹配方法 |
CN109962811A (zh) * | 2019-01-07 | 2019-07-02 | 西南科技大学 | 一种针对时变网络数据的增量式稳态布局方法 |
CN111192154A (zh) * | 2019-12-25 | 2020-05-22 | 西安交通大学 | 一种基于风格迁移的社交网络用户节点匹配方法 |
Non-Patent Citations (1)
Title |
---|
片上网络拓朴优化:在离散平面上布局与布线;马立伟;孙义和;;电子学报(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112069365A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Harenberg et al. | Community detection in large‐scale networks: a survey and empirical evaluation | |
Wei et al. | Truncated hierarchical Catmull–Clark subdivision with local refinement | |
Li et al. | Stepping community detection algorithm based on label propagation and similarity | |
Vijayan et al. | Alignment of dynamic networks | |
CN104346418A (zh) | 用于数据的关系型上下文敏感匿名化的方法和系统 | |
CN113140254B (zh) | 元学习药物-靶点相互作用预测系统及预测方法 | |
US20210097381A1 (en) | Model training method and apparatus | |
Digonnet et al. | Massively parallel anisotropic mesh adaptation | |
Firat et al. | Genetic clustering of social networks using random walks | |
Henderson et al. | Using geometry to uncover relationships between isotropy, homogeneity, and modularity in cortical connectivity | |
Xu et al. | Effective community division based on improved spectral clustering | |
CN111581969B (zh) | 医疗术语向量表示方法、装置、存储介质及电子设备 | |
Vădineanu et al. | An analysis of the impact of annotation errors on the accuracy of deep learning for cell segmentation | |
Yu et al. | An overlapping community detection approach based on deepwalk and improved label propagation | |
Karyotis et al. | Big data clustering via community detection and hyperbolic network embedding in IoT applications | |
Xie et al. | Optimal Bayesian estimation for random dot product graphs | |
Retzlaff et al. | Phylogenetics beyond biology | |
CN112069365B (zh) | 一种基于范例的节点链接图布局的迁移方法及装置 | |
Lyu et al. | Surface reconstruction for thin aero engine blade from disorganized contact measured points | |
Totounferoush et al. | Efficient and scalable initialization of partitioned coupled simulations with preCICE | |
Wang et al. | Community structure exploration considering latent link patterns in complex networks | |
Lai et al. | Correlation enhanced modularity-based belief propagation method for community detection in networks | |
Wang | Multigraph visualization for feature classification of brain network data | |
Soto Sánchez et al. | Acquiring periodic tilings of regular polygons from images | |
Han et al. | SurfNet: Learning surface representations via graph convolutional network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |