CN112507210A - 一种属性网络上事件检测的交互式可视化方法 - Google Patents
一种属性网络上事件检测的交互式可视化方法 Download PDFInfo
- Publication number
- CN112507210A CN112507210A CN202011292420.3A CN202011292420A CN112507210A CN 112507210 A CN112507210 A CN 112507210A CN 202011292420 A CN202011292420 A CN 202011292420A CN 112507210 A CN112507210 A CN 112507210A
- Authority
- CN
- China
- Prior art keywords
- subgraph
- nodes
- interactive
- interaction
- event
- 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.)
- Pending
Links
Images
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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种属性网络上事件检测的交互式可视化方法,包括如下步骤:1)网络构建;2)交互操作类型定义及事件定义;3)融合人的交互的目标函数定义;4)属性网络上融合人的交互的算法定义;5)子图可视界面设计及实现。本发明方法通过可视化技术展示子图,从基于大量的专家的交互操作,不断优化机器查询的子图,以检测更精准的事件。给出属性网络交互查找子图相关的定义:交互操作,事件;提出融合人的交互操作的目标函数和算法设计,达到动态修正机器找到的最优子图;利用可视化技术实时展示子图并与子图交互。
Description
技术领域
本发明属于计算机软件技术领域,具体涉及一种属性网络上事件检测的交互式可视化方法。将网络中的事件定义为连通节点构成的子图,在机器检测的子图上融合人的交互,并通过可视化子图允许多次交互,不断修正机器的事件检测结果,进而完成属性网络的事件检测,得到更准确的描述事件的子图结构。
背景技术
事件检测是数据挖掘领域热门的研究问题之一,近年来吸引了很多学者,有人在时间序列数据中挖掘事件,也存在在流数据或者网络中探索事件,我们研究的是基于网络(有时也被称为图)的事件挖掘,重点关注属性网络,也就是每个节点带有属性描述的网络。
现有的基于网络的事件挖掘常用的研究思路是,将事件定义为连通子图、稠密子图等,同时定义能够描述这个子图属性的目标函数,在网络中查找满足目标函数最大的子图,将子图定义为事件。所以现有的工作致力于机器来搜索属性总体上最异常的子图。缺少对子图的可视化,通过人的经验判定检测的事件的结果质量,没有融合人的交互作用。
本发明将机器的查找结果和交互可视化结合起来,相比于传统的事件检测方法融入人的经验和可视化,对机器查询结果再优化,以获得更精准的事件。
发明内容
为克服现有技术的不足,提供一种属性网络上事件检测的交互式可视化方法。我们重点发明了以下两项新的工作:
1)交互事件检测相关概念的定义;
2)子图可视交互界面设计及实现。
具体包括以下步骤:
1-1)专家交互操作定义,其中包括增加节点和删除节点。
交互式添加操作(IAO):给定从G中检测到的子图S,我们将交互式添加操作定义为S+(v),这意味着向子图S中向添加一个顶点v,该节点v是子图S的一阶邻居节点(即子图S的直接相连节点)。S+表示向子图S添加的一组顶点的集合。
交互式删除操作(IRO):给定从G中检测到的子图S,我们将交互式删除操作定义为S-(v),这意味着从子图S中删除S中的顶点v。S-表示从子图S中移除的一组顶点集合。
专家操作应该满足下面的三个基本属性:
1)每个交互操作都基于机器找到的最佳子图S0;
2)每个IAO:S+(v)都满足节点v是与事件最相关的顶点,即
3)每个IRO:S-(v)都满足节点v是事件最不相关的节点,即
v∈{v|P(v)>αmax}
1-3)融合交互操作的目标函数定义。在机器查询子图基础上,融合人的交互操作(IAO和IRO)进一步优化子图,寻找更大的目标函数的子图,因此我们定义了目标函数形式如下:
其中S0是机器查询的最优子图,S+是人类专家交互添加的节点集合,S-是人类专家交互删除的节点集合,K是允许专家交互操作的上限次数。函数是一个统计函数,包含3个参数,其中,α是异常等级(一般可取0.15),P(v)≤α就视为异常,Nα(S)表示子图S中p值小于等于α的节点个数,N(S)表示子图S中的节点数,S=S0∪S+-S-是在人类专家交互作用下获得的一组连通的顶点子集(即连通子图)。
1-4)融合专家交互操作的属性网络子图检测算法定义。基于定义的目标函数,我们进一步研究了人类交互操作作用下的属性网络异常子图检测算法,具体算法设计如算法1所示,我们将该算法定义为Integrated Interaction Subgraph(event)Detection简称IISD,通过初始化机器结果S0,定义人的交互操作要满足上限K,通过人的交互操作不断修正S0,然后遍历S0的邻居节点,在不同α等级下,计算其对应的F函数值,依次遍历所有的邻居,直至获得最大F值,或者邻居扩张次数达到上限Z(Z被定义为log|V|,是每次向外迭代扩张来包含其邻居的扩张次数上限)。
属性网络的融合人的交互操作的子图检测算法设计
2-1)子图可视化界面的设计与实现。我们希望融合人的操作来影响优化机器找到的结果,因此设计了一个可视化系统,该系统能够展示子图结构,并允许人的交互操作来选择邻居节点和删除子图节点,来逐步优化子图,获得最终想要的事件。设计过程中为合理体现事件的不同元素,我们将节点用不同颜色来标记,同时在节点上展示出该节点的内容,并通过节点大小来表示节点的异常程度属性,点越大异常程度越高。最后每次的专家交互选择和删除,会动态的调用我们设计的交互算法,来刷新出新的子图结构呈现给用户,方便进一步交互,如此往复迭代,直到找到满意的事件描述,该子图异常值最大并且包含用户添加的节点删除了用户移除的节点。
本发明的方法的特点及效果:本发明方法通过可视化技术展示子图,从基于大量的专家的交互操作,不断优化机器查询的子图,以检测更精准的事件。
1.给出属性网络交互查找子图相关的定义:交互操作,事件;
2.提出融合人的交互操作的目标函数和算法设计,达到动态修正机器找到的最优子图;
3.利用可视化技术实时展示子图并与子图交互。
附图说明
为更明确描述我们的发明,我们给出发明相关的思路图,其中:
图1为本发明方法的流程图;
图2为基于机器查询结果完成交互操作优化子图的思想;
图3为可视化系统设计,用户交互及用户交互之后的更新子图的过程描述;
图4为属性网络的融合人的交互操作的子图检测算法设计。
具体实施方式
为克服现有技术的不足,提供一种属性网络上事件检测的交互式可视化方法。包括以下几方面的工作:
1)网络构建;
2)交互操作类型定义及事件定义;
3)融合人的交互的目标函数定义;
4)属性网络上融合人的交互的算法定义;
5)子图可视界面设计及实现。
具体包括以下步骤:
1-1)时间片划分,网络构建:将数据划分为不同时间片,为每个时间片构建属性网络G=(V,E,P),其中V是顶点集合,而E是边(关系)集合,P是一个特征向量,P(i)也被称为节点i的p值,定义了节点i的属性,用来表示这个节点的异常程度。
2-1)定义网络上的交互操作,其中包括增加节点和删除节点。
交互式添加操作(IAO):给定从G中检测到的子图S,我们将交互式添加操作定义为S+(v),这意味着向子图S中向添加一个顶点v,该节点v是子图S的一阶邻居节点(即子图S的直接相连节点)。S+表示向子图S添加的一组顶点的集合。
交互式删除操作(IRO):给定从G中检测到的子图S,我们将交互式删除操作定义为S-(v),这意味着从子图S中删除S中的顶点v。S-表示从子图S中移除的一组顶点集合。
专家操作应该满足下面的三个基本属性:
1)每个交互操作都基于机器找到的最佳子图S0;
2)每个IAO:S+(v)都满足节点v是与事件最相关的顶点,即
3)每个IRO:S-(v)都满足节点v是事件最不相关的节点,即
v∈{v|P(v)>αmax}
3-1)在机器查询子图基础上,融合人的交互操作(IAO和IRO)进一步优化子图,寻找更大的目标函数的子图,因此我们定义了目标函数形式如下:
其中S0是机器查询的最优子图,S+是人类专家交互添加的节点集合,S-是人类专家交互删除的节点集合,K是允许专家交互操作的上限次数。函数是一个统计函数,包含3个参数,其中,α是异常等级(一般可取0.15),P(v)≤α就视为异常,Nα(S)表示子图S中p值小于等于α的节点个数,N(S)表示子图S中的节点数,S=S0∪S+-S-是在人类专家交互作用下获得的一组连通的顶点子集(即连通子图)。
为满足这两个属性,考虑Berk-Jones(BJ)统计量(Berk and Jones 1979):
其中,KL是p值小于α的观察比例与预期比例之间的Kullback-Leibler散度。
因此我们可以得到基于BJ统计量的交互查找属性网络子图的目标函数为:
4-1)基于上述目标函数,我们进一步研究了人类交互操作作用下的属性网络异常子图检测算法,具体算法设计如图4所示,我们将该算法定义为Integrated InteractionSubgraph(event)Detection简称IISD,通过初始化机器结果S0,定义人的交互操作要满足上限K,通过人的交互操作不断修正S0,然后遍历S0的邻居节点,在不同α等级下,计算其对应的F函数值,依次遍历所有的邻居,直至获得最大F值,或者邻居扩张次数达到上限Z(Z被定义为log|V|,是每次向外迭代扩张来包含其邻居的扩张次数上限)。
5-1)子图可视化界面的设计与实现。我们希望融合人的操作来影响优化机器找到的结果,因此设计了一个可视化系统,该系统能够展示子图结构,并允许人的交互操作来选择邻居节点和删除子图节点,调用我们发明的算法来更新新的子图结构,并可视化,这样逐步优化机器查询的子图,获得最终想要的事件。详细来说:设计过程中为合理体现事件的不同元素,我们将节点用不同颜色来标记,同时在节点上展示出该节点的内容,并通过节点大小来表示节点的异常程度属性,点越大异常程度越高。最后每次的专家交互选择和删除,会动态的调用我们设计的交互算法,来刷新出新的子图结构呈现给用户,方便进一步交互,如此往复迭代,直到找到满意的事件描述,该子图异常值最大并且包含用户添加的节点删除了用户移除的节点。
Claims (6)
1.一种属性网络上事件检测的交互式可视化方法,其特征在于,包括如下步骤:
1)网络构建;
2)交互操作类型定义及事件定义;
3)融合人的交互的目标函数定义;
4)属性网络上融合人的交互的算法定义;
5)子图可视界面设计及实现。
2.根据权利要求1所述的一种属性网络上事件检测的交互式可视化方法,其特征在于,
具体包括以下步骤:
1-1)时间片划分,网络构建:将数据划分为不同时间片,为每个时间片构建属性网络G=(V,E,P),其中V是顶点集合,而E是边集合,P是一个特征向量,P(i)也被称为节点i的p值,定义了节点i的属性,用来表示这个节点的异常程度。
3.根据权利要求1所述的一种属性网络上事件检测的交互式可视化方法,其特征在于,
2-1)定义网络上的交互操作,其中包括增加节点和删除节点:
交互式添加操作(IAO):给定从G中检测到的子图S,我们将交互式添加操作定义为S+(v),这意味着向子图S中向添加一个顶点v,该节点v是子图S的一阶邻居节点,S+表示向子图S添加的一组顶点的集合;
交互式删除操作(IRO):给定从G中检测到的子图S,我们将交互式删除操作定义为S-(v),这意味着从子图S中删除S中的顶点v,S-表示从子图S中移除的一组顶点集合;
专家操作应该满足下面的三个基本属性:
1)每个交互操作都基于机器找到的最佳子图S0;
2)每个IRO:S-(v)都满足节点v是事件最不相关的节点;
v∈{v|P(v)>αmax}
4.根据权利要求1所述的一种属性网络上事件检测的交互式可视化方法,其特征在于,
3-1)在机器查询子图基础上,融合人的交互操作(IAO和IRO)进一步优化子图,寻找更大的目标函数的子图,因此我们定义了目标函数形式如下:
其中,S0是机器查询的最优子图,S+是人类专家交互添加的节点集合,S-是人类专家交互删除的节点集合,K是允许专家交互操作的上限次数;
函数是一个统计函数,包含3个参数,其中,α是异常等级,P(v)≤α就视为异常,Nα(S)表示子图S中p值小于等于α的节点个数,N(S)表示子图S中的节点数,S=S0∪S+-S-是在人类专家交互作用下获得的一组连通的顶点子集;
为满足这两个属性,考虑Berk-Jones统计量:
其中,KL是p值小于α的观察比例与预期比例之间的Kullback-Leibler散度。
因此我们可以得到基于BJ统计量的交互查找属性网络子图的目标函数为:
5.根据权利要求1所述的一种属性网络上事件检测的交互式可视化方法,其特征在于,
4-1)基于上述目标函数,进一步研究了人类交互操作作用下的属性网络异常子图检测算法,将该算法定义为Integrated Interaction Subgraph(event)Detection简称IISD,通过初始化机器结果S0,定义人的交互操作要满足上限K,通过人的交互操作不断修正S0,然后遍历S0的邻居节点,在不同α等级下,计算其对应的F函数值,依次遍历所有的邻居,直至获得最大F值,或者邻居扩张次数达到上限Z;
Z被定义为log|V|,是每次向外迭代扩张来包含其邻居的扩张次数上限。
6.根据权利要求1所述的一种属性网络上事件检测的交互式可视化方法,其特征在于,
5-1)子图可视化界面的设计与实现:设计一个可视化系统,该系统能够展示子图结构,并允许人的交互操作来选择邻居节点和删除子图节点,调用更新新的子图结构,并可视化,这样逐步优化机器查询的子图,获得最终想要的事件:
设计过程中为合理体现事件的不同元素,我们将节点用不同颜色来标记,同时在节点上展示出该节点的内容,并通过节点大小来表示节点的异常程度属性,点越大异常程度越高;最后每次的专家交互选择和删除,会动态的调用我们设计的交互算法,来刷新出新的子图结构呈现给用户,方便进一步交互,如此往复迭代,直到找到满意的事件描述,该子图异常值最大并且包含用户添加的节点删除了用户移除的节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011292420.3A CN112507210A (zh) | 2020-11-18 | 2020-11-18 | 一种属性网络上事件检测的交互式可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011292420.3A CN112507210A (zh) | 2020-11-18 | 2020-11-18 | 一种属性网络上事件检测的交互式可视化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112507210A true CN112507210A (zh) | 2021-03-16 |
Family
ID=74956782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011292420.3A Pending CN112507210A (zh) | 2020-11-18 | 2020-11-18 | 一种属性网络上事件检测的交互式可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507210A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114401136A (zh) * | 2022-01-14 | 2022-04-26 | 天津大学 | 一种针对多个属性网络的快速异常检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598847A (zh) * | 2019-08-15 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 处理交互序列数据的方法及装置 |
CN111091005A (zh) * | 2019-12-20 | 2020-05-01 | 北京邮电大学 | 一种基于元结构的无监督异质网络表示学习方法 |
CN111476223A (zh) * | 2020-06-24 | 2020-07-31 | 支付宝(杭州)信息技术有限公司 | 评估交互事件的方法及装置 |
-
2020
- 2020-11-18 CN CN202011292420.3A patent/CN112507210A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598847A (zh) * | 2019-08-15 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 处理交互序列数据的方法及装置 |
CN111091005A (zh) * | 2019-12-20 | 2020-05-01 | 北京邮电大学 | 一种基于元结构的无监督异质网络表示学习方法 |
CN111476223A (zh) * | 2020-06-24 | 2020-07-31 | 支付宝(杭州)信息技术有限公司 | 评估交互事件的方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114401136A (zh) * | 2022-01-14 | 2022-04-26 | 天津大学 | 一种针对多个属性网络的快速异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | Graph coarsening with neural networks | |
Frishman et al. | Multi-level graph layout on the GPU | |
CN102394778B (zh) | 网络拓扑的显示方法及装置 | |
US7933749B2 (en) | System and method for computing minimum distances between two point clouds | |
Bortner et al. | Progressive clustering of networks using structure-connected order of traversal | |
Lei et al. | Identification of dynamic protein complexes based on fruit fly optimization algorithm | |
CN110909173A (zh) | 一种基于标签传播的非重叠社区发现方法 | |
CN112000763B (zh) | 兴趣点竞争关系确定方法、装置、设备和介质 | |
CN110738577A (zh) | 社区发现方法、装置、计算机设备和存储介质 | |
CN110347881A (zh) | 一种基于路径回溯图嵌入的群体发现方法 | |
CN108182265A (zh) | 针对关系网络的多层迭代筛选方法及装置 | |
CN110826699A (zh) | 一种基于梯度的图神经网络可解释性分析方法 | |
Li et al. | Dynamic community detection algorithm based on incremental identification | |
CN110097176A (zh) | 一种应用于空气质量大数据异常检测的神经网络结构搜索方法 | |
CN113902185A (zh) | 区域用地性质的确定方法、装置、电子设备及存储介质 | |
CN112507210A (zh) | 一种属性网络上事件检测的交互式可视化方法 | |
US20080306627A1 (en) | System and method for generating robot genome | |
Brughmans et al. | Spatial networks | |
Liao et al. | Image segmentation based on deep learning features | |
CN107276807B (zh) | 一种基于社区动态紧密度的层次化网络社区树剪枝方法 | |
CN112464040B (zh) | 图结构识别、可视化展示及显示操作方法及装置 | |
CN114297370A (zh) | 知识图谱的展示方法及其装置、计算机存储介质、电子设备 | |
Pan et al. | Overlapping community detection via leader-based local expansion in social networks | |
Vernier et al. | A stable greedy insertion treemap algorithm for software evolution visualization | |
CN108133426A (zh) | 一种社交网络链路推荐方法及网络演化模型实施设计 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210316 |