CN116756232A - 一种智能生成动态网络图的数据可视化方法及系统 - Google Patents
一种智能生成动态网络图的数据可视化方法及系统 Download PDFInfo
- Publication number
- CN116756232A CN116756232A CN202311035333.3A CN202311035333A CN116756232A CN 116756232 A CN116756232 A CN 116756232A CN 202311035333 A CN202311035333 A CN 202311035333A CN 116756232 A CN116756232 A CN 116756232A
- Authority
- CN
- China
- Prior art keywords
- dynamic network
- data
- network diagram
- layout
- nodes
- 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
- 238000010586 diagram Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013079 data visualisation Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000004140 cleaning Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000009877 rendering Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000011273 social behavior Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/38—Creation or generation of source code for implementing user interfaces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能生成动态网络图的数据可视化方法及系统，包括：步骤S1，数据清洗和预处理，将原始数据进行处理和清洗，将其转化为适合构建动态网络图的数据结构；步骤S2，构建时间序数据，将处理好的数据根据不同的时间维度进行分类整理；步骤S3，构建动态网络图，使用self‑attention训练网络布局模型，自动生成网络布局；步骤S4，绘制动态网络图，将构建好的动态网络图以图形界面的形式呈现给用户。本发明在动态网络图构建中使用基于self‑attention的模型智能生成动态网络图布局，通过可视化注意力权重来解释布局结果，帮助用户理解布局的原因和规律，增加可解释性，对整个网络的节点和边进行全局关注，优化了整体布局效果，提升动态网络图的表达能力和性能。
Description
技术领域
本发明涉及计算机网络及数据可视化技术，特别是一种智能生成动态网络图的数据可视化方法及系统。
背景技术
近年来，随着计算机技术和图形处理技术的不断发展，数据可视化技术已经成为一种重要的工具。它通过将数据转换成图形或图表等形式，使得用户能够更加直观地了解数据之间的关系和趋势，从而更好地进行决策和分析。
但是，现有的动态网络图可视化布局技术还存在着许多问题。比如，传统的动态网络图布局技术通常是基于启发式规则或者数学模型，缺乏可解释性，并且无法适应网络结构的动态变化，只考虑局部信息，易导致布局结果不够全局优化，并且在处理变长序列、捕捉长距离依赖关系、并行计算效率和上下文感知能力方面存在限制。因此，需要一种全新的数据可视化方式来解决这些问题。
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self-attention智能生成动态网络图的数据可视化方法及系统，可以根据网络的实时状态和连接性进行自适应调整，使得布局能够随着网络的演化而改变，并且对整个网络的节点和边进行全局关注，捕捉节点之间的复杂依赖关系，从而更好地优化整体布局效果，还可以通过可视化注意力权重来解释布局结果，帮助用户理解布局的原因和规律，同时可以克服传统动态网络图在处理变长序列、捕捉长距离依赖关系、并行计算效率和上下文感知能力方面的限制，从而提升动态网络图的表达能力和性能。
具体来说，本发明提供一种智能生成动态网络图的数据可视化方法，所述方法包括如下步骤：
步骤S1，数据清洗和预处理，将原始数据进行处理和清洗，将其转化为适合构建动态网络图的数据结构；
步骤S2，构建时间序数据，将处理好的数据根据不同的时间维度进行分类整理；
步骤S3，构建动态网络图，使用基于self-attention的模型智能生成动态网络图布局；
步骤S4，绘制动态网络图，通过动态网络图中的节点表示数据中的实体或特定属性，边表示节点与节点之间的关系，将构建好的动态网络图以图形界面的形式呈现给用户；
进一步，在步骤S1中，所述原始数据包括用户通过各种方式各种渠道产生的文本数据。
进一步，在步骤S2中，可以灵活的根据用户需求设置时间节点，所述时间节点可以是固定的时间点，也可以是动态变化的时间段。
进一步，在步骤S3中，使用基于self-attention的模型智能生成动态网络图布局。在此步骤中包含以下步骤：
具体地，在步骤S31中，构建初始节点表示，为每个节点创建初始表示。可以使用节点的属性向量作为初始表示，或者随机生成初始表示。
具体地，在步骤S32中，计算注意力权重，对于每对节点之间的边，计算注意力权重。注意力权重用于确定节点在布局中相互影响的程度。
具体地，在步骤S33中，更新节点表示，使用注意力权重来更新每个节点的表示。通过对与该节点连接的边上的注意力权重进行加权平均，将相邻节点的表示聚合到该节点的表示中。
具体地，在步骤S34中，迭代更新节点表示，达到预定迭代次数，重复计算注意力权重，并使用注意力权重来更新节点表示，最终得到动态网络图布局；
进一步，在步骤S4中，基于不同的时间节点来展示动态网络图，通过不同的颜色、形状和大小标识不同类型的节点和边，用户可以通过鼠标或手势操作来对图形进行缩放、平移、旋转等操作，以便更好地观察和分析数据。
进一步，在步骤S4中，通过echarts渲染引擎构建的动态网络图
进一步，在步骤S4中，使用canvas渲染引擎将处理好的数据构建为动态网络图，按需设置不同的时间节点，基于选择的时间节点展示动态网络图。
另一方面，本发明提供一种基于self-attention的模型智能生成动态网络图的数据可视化系统，所述系统用于实现根据本发明所述的基于动态网络图的数据可视化的方法。
进一步，所述系统包括：
数据清洗和预处理模块，用于将原始数据进行处理和清洗，将其转化为适合构建动态网络图的数据结构；
时间序数据构建模块，用于将预处理完成的数据根据时间序进一步分类处理；
动态网络图构建模块，用于根据处理完成数据生成动态网络图布局，优化并改进布局方式；
动态网络图绘制模块，用于绘制构建好的动态网络图，以图形界面的形式呈现给用户；
本发明的技术方案使用基于self-attention的模型智能构建动态网络图布局，可以根据网络的实时状态和连接性进行自适应调整，使得布局能够随着网络的演化而改变，并且对整个网络的节点和边进行全局关注，捕捉节点之间的复杂依赖关系，从而更好地优化整体布局效果，还可以通过可视化注意力权重来解释布局结果，帮助用户理解布局的原因和规律，同时可以克服传统动态网络图在处理变长序列、捕捉长距离依赖关系、并行计算效率和上下文感知能力方面的限制，从而提升动态网络图的表达能力和性能。
附图说明
图1示出了根据本发明智能生成动态网络图的数据可视化方法的流程示意图；
图2示出了根据本发明中步骤S3使用self-attention的模型构建出动态网络图布局的流程示意图；
图3示出了根据本发明中实施例的计算结果绘制的动态关系图的局部效果；
图4示出了根据本发明中实施例按需设置时间节点后的动态网络图的局部效果图；
图5示出了根据本发明self-attention的模型智能生成动态网络图的数据可视化系统的功能模块。
具体实施方式
下面将结合附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
以下结合附图1-图5对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
本发明的基于self-attention智能生成动态网络图的数据可视化方法及系统，其发明构思在于使用基于self-attention的模型智能构建动态网络图布局，可以根据网络的实时状态和连接性进行自适应调整，使得布局能够随着网络的演化而改变，并且对整个网络的节点和边进行全局关注，捕捉节点之间的复杂依赖关系，从而更好地优化整体布局效果，还可以通过可视化注意力权重来解释布局结果，帮助用户理解布局的原因和规律，同时可以克服传统动态网络图在处理变长序列、捕捉长距离依赖关系、并行计算效率和上下文感知能力方面的限制，从而提升动态网络图的表达能力和性能。
其中，self-attention（自注意机制），一个自注意Self-Attention模型接受n个输入，返回n个输出。而在这个自注意Self-Attention层里，输入之间会相互作用以区分出谁应该得到更多的关注attention，而输出则是一个整合了这些相互作用和注意力分值Attention Score。
如图1所示，根据本发明的智能生成动态网络图的数据可视化方法的基本流程为：
步骤S1，数据清洗和预处理，将原始数据进行清洗和处理，将其转化为适合构建动态网络图的数据结构；
步骤S2，构建时间序数据，将处理好的数据根据不同的时间维度进行分类整理；
步骤S3，构建动态网络图，使用基于self-attention的模型智能生成动态网络图布局；
步骤S4，动态网络图绘制，根据处理后的数据结构构建动态网络图，通过动态网络图中的节点表示数据中的实体或特定属性，边表示它们之间的关系，将构建好的动态网络图以图形界面的形式呈现给用户。
具体地，对于步骤S1，原始数据包括用户通过各种方式各种渠道产生的文本数据。在一个实施例中，以社交网络场景下，显示多个用户在不同月份的社交行为网络为例，通过不同社交用户间的点赞、评论数量来判定用户的亲密度。取到的原始数据如下：
由于网络图数据结构通常用于表示和处理实体之间的关系，故关系图的数据结构应包含如下部分：
1. 节点（Node）：关系图数据结构由一组节点组成，每个节点代表一个实体。节点应包含唯一标识符（ID）以及其他属性，如名称、类型等。
2. 边（Edge）：边用于连接节点之间的关系。每条边都具有一个起始节点和一个目标节点，并且可能具有其他属性，如权重、方向等。边可以是有向的或无向的，取决于关系的性质。
3. 属性（Property）：除了节点和边的基本信息外，关系图数据结构还可以包含附加的属性。这些属性可以与节点、边或整个网络相关联，以提供更详细的描述和特征。
在此原始数据中，
当前用户和行为目标用户表示为用户实体，也即动态网络图的节点，
当前用户和行为目标用户发生的社交行为即为关系，也即动态网络图的边。
其中年龄、性别、发生时间为附加属性，与实体或边相关联。
基于此种逻辑关系，我们对当前表格数据清洗为符合动态网络图的数据格式。其中节点数据为：
节点A：{ID: 'A', Label: 'A', Age: 25, Sex: 1}
节点B：{ID: 'B', Label: 'B', Age: 33, Sex: 2}
节点C：{ID: 'C', Label: 'C', Age: 31, Sex: 2}
节点D：{ID: 'D', Label: 'D', Age: 24, Sex: 1}
其中ID为节点的唯一标识，Label为节点在动态网络图中显示的名称，Age和Sex为节点的附加属性，分别为用户年龄和用户性别。
其中边数据为：
边A-B：{Source: 'A', Target: 'B', Type: 1, CreateTime: '2023-1-10 13:24:20'}
边B-C：{Source: 'B', Target: 'C', Type: 2, CreateTime: '2023-2-20 09:28:20'}
边C-D：{Source: 'C', Target: 'D', Type: 1,CreateTime: '2023-3-16 21:42:20'}
其中，Source为该边的源节点，Target为该边的目标节点，Type和CreateTime为边的附加属性，分别为社交行为类型和社交行为发生时间。
步骤S2，构建时间序数据，将处理好的数据根据不同的时间维度进行分类整理；可以灵活的根据用户需求设置时间节点，所述时间节点可以是固定的时间点，也可以是动态变化的时间段。对于固定的时间点，使用具体的日期时间即可，而对于动态变化的时间段，可以使用相对时间，例如当月、下一月、上一月、当年、上一年、下一年等，通过当前时间和相对时间，可计算出具体的时间段，即可得出动态时间段。
具体地，从该原始数据中，使用步骤S1中经过清洗得到数据中的行为发生时间作为时间维度进行归类，也即CreateTime字段筛按不同月份进行划分，这样得到按月份的社交行为汇总数据，以2023-3月为例，通过数据处理和清洗，筛选出在2023年3月份发生的社交行为数据，然后仅保留需要展示的数据，按用户需求设置时间节点，通过不同的时间节点展示不同的动态网络图，排除无效数据的干扰。
在本实施例中，为了显示多个用户在不同月份的社交行为网络为例，将时间节点设置为社交行为发生的月份，如2023-1月、2023-2月、2023-3月，通过不同的月份，显示社交用户在该时间节点内发生的社交行为，去除实体和边的附加属性，排除无效数据干扰，最终将其转化为适合构建动态网络图的数据结构示例如下：
其中节点数据为：
节点A：{ID: 'A', Label: 'A'}
节点B：{ID: 'B', Label: 'B'}
节点C：{ID: 'C', Label: 'C'}
节点D：{ID: 'D', Label: 'D'}
其中ID为节点的唯一标识，Label为节点在动态网络图中显示的名称。
其中边数据为：
边A-B：{Source: 'A', Target: 'B'}
边B-C：{Source: 'B', Target: 'C'}
边C-D：{Source: 'C', Target: 'D'}
其中Source为该边的源节点，Target为该边的目标节点。
步骤S3，构建动态网络图，使用基于self-attention的模型智能生成动态网络图布局，如图2所示，包含具体步骤如下；
步骤31，构建初始节点表示；
为每个节点创建初始节点表示。可以使用节点的属性向量作为初始表示，或者随机生成初始表示。
具体地，在本实施例中使用形如[x，y, z]的数组来表示节点在动态网络空间中的位置信息，其中x值为节点在空间坐标系下的x方向的坐标，y值为y方向的坐标，z值为z方向下的坐标，初始状态下设定所有节点在坐标范围为0-1的空间中，其中节点的初始坐标可在0-1的范围内随机设置，最终会根据动态网络的节点的注意力权重进行布局演化，不断计算为最终位置。
在本实施例中，随机设置节点的初始位置在0-1的空间中，坐标值x，y, z分别如下：
节点A：[0.1, 0.2, 0.3]
节点B：[0.4, 0.5, 0.6]
节点C：[0.7, 0.8, 0.9]
节点D：[0.5, 0.7, 0.9]
步骤S32，计算注意力权重；
对于每对节点之间的边，计算注意力权重。注意力权重用于确定节点在布局中相互影响的程度。
具体地，在本实施例中计算注意力权重，
对于边A-B：
Source节点A的初始表示：[0.1, 0.2, 0.3]
Target节点B的初始表示：[0.4, 0.5, 0.6]
计算注意力权重：
注意力得分 = softmax(Source节点A * Target节点B)
= softmax([0.1, 0.2, 0.3] * [0.4, 0.5, 0.6])
= softmax(0.1*0.4 + 0.2*0.5 + 0.3*0.6)
= softmax(0.32)
= [0.3874, 0.3072, 0.3054]
对于边B-C：
Source节点B的初始表示：[0.4, 0.5, 0.6]
Target节点C的初始表示：[0.7, 0.8, 0.9]
计算注意力权重：
注意力得分 = softmax(Source节点B * Target节点C)
= softmax([0.4, 0.5, 0.6] * [0.7, 0.8, 0.9])
= softmax(0.4*0.7 + 0.5*0.8 + 0.6*0.9)
= softmax(1.22)
= [0.5893, 0.2152, 0.1595]
类似地，根据上述步骤，可以计算所有边的注意力得分。
步骤S33，更新节点表示；
使用注意力权重来更新每个节点的表示。通过对与该节点连接的边上的注意力权重进行加权平均，将相邻节点表示聚合到该节点表示中。
具体地，在本实施例中，对于节点A：
相邻节点表示：节点B的初始表示[0.4, 0.5, 0.6]
对应的注意力权重：边A-B的注意力权重[0.3874, 0.3072, 0.3054]
加权平均计算：
更新后的节点A表示 = sum(节点B的初始表示 * 边A-B的注意力权重)
= [0.3874 * 0.4, 0.3874 * 0.5, 0.3874 * 0.6]
= [0.15496, 0.1937, 0.23244]
对于节点B：
相邻节点的表示：节点C的初始表示[0.7, 0.8, 0.9]
对应的注意力权重：边B-C的注意力权重[0.5893, 0.2152, 0.1595]
加权平均计算：
更新后的节点B表示 = sum(节点C的初始表示 * 边B-C的注意力权重)
= [0.5893* 0.7, 0.5893* 0.8, 0.5893* 0.9]
= [0.41251, 0.47144, 0.53037]
类似地，根据上述步骤，更新所有节点表示。
步骤S34，迭代更新节点表示，达到预定迭代次数；
重复步骤S32和步骤S33，直到节点表示收敛或达到预定的迭代次数。
在每次迭代中，计算新的注意力权重并更新节点表示。通过多次迭代，节点表示会不断演化，从而根据初始节点和边得到动态网络图的布局。
在本实施例中，因为节点数量不大，将预定迭代次数设置为50，最终在经过50次迭代计算后，所有节点的最终节点表示为：
节点A： [0.23529, 0.31233, 0.50907]
节点B： [0.15647, 0.3025, 0.92168]
节点C： [0.72155, 0.09858, 0.23355]
节点D： [0.3462, 0.56091, 0.35692]
因为本实施例中动态网络图为二维展示，所以取最终节点表示的前两位作为绘制节点的x，y坐标，也即最终动态网络图中各个节点的坐标为：
节点A： [0.23529, 0.31233]
节点B： [0.15647, 0.3025]
节点C： [0.72155, 0.09858]
节点D： [0.3462, 0.56091]
具体地，因为Self-attention是一种注意力机制，它允许模型根据输入的不同部分之间的关系来分配不同的重要性权重。所以在动态网络图自适应布局的场景中，self-attention可以用于将不同节点之间的关系建模，并根据这些关系对节点的布局进行自动调整。例如，在关系图节点处理中，可以将画布的不同区域视为节点，并使用self-attention来捕捉不同节点之间的关系。通过学习这些关系权重，可以根据具体任务的需求对节点的布局进行调整，使得节点网络能够更好地适应不同的演化态势。具体而言，self-attention通过计算每个节点与其他节点之间的相似度得分来确定其在布局中的位置。这些相似度得分可以基于节点之间的连接强度、距离或其他特征进行计算。然后，根据这些相似度得分，可以使用一定的规则或优化方法来调整节点的位置和布局，以最大程度地反映节点之间的关系。需要注意的是，self-attention本身并不直接实现布局的调整，而是提供了一种用于建模节点之间关系的方法。具体的布局调整方法是根据具体的任务和应用场景来选择。
总之，利用self-attention可以在动态网络图中实现自适应布局调整，使得布局能够根据动态网络的演化而动态改变。
步骤S4，动态网络图绘制，根据处理后的数据结构构建动态网络图，通过动态网络图中的节点表示数据中的实体或特定属性，边表示它们之间的关系，用不同的颜色、形状和大小标识不同类型的节点和边；
具体地，我们在社交网络场景下，显示多个用户在不同月份的社交行为网络为例，在步骤S3完成动态网络图构建后，根据步骤S3中基于self-attention的模型计算得到的节点坐标，使用canvas渲染引擎绘制出动态网络图，本发明采用echarts作为canvas渲染引擎，echarts是一款基于JavaScript的数据可视化图表库，提供直观，生动，可交互，可个性化定制的数据可视化图表。在动态网络图中，用节点表示为社交用户实体，用灰色的宽度为2的边表示为评论行为，用灰色的宽度为4的边表示为点赞行为，构建动态网络图的配置项如下：
data: [
{
name: '用户A',
x: 0.23529,
y: 0.31233
},
{
name: '用户B',
x: 0.15647,
y: 0.3025
},
{
name: '用户C',
x: 0.72155,
y: 0.09858
},
{
name: '用户D',
x: 0.3462,
y: 0.56091
},
],
links: [
{
source: '用户C',
target: '用户D',
symbolSize: [5, 10],
label: {
show: false
},
lineStyle: {
width: 2,
color: 'gray',
curveness: 0.2
}
},
{
source: '用户C',
target: '用户D',
symbolSize: [5, 10],
label: {
show: false
},
lineStyle: {
width: 4,
color: 'gray',
curveness: 0.3
}
},
]
将配置项设置给echarts渲染引擎，通过setOption方法进行渲染，最终通过echarts构建出的动态网络图局部效果如图3所示，其中用户C和用户D节点表示存在互动行为的用户，用户C和用户D之间的两条边分别代表两个用户之间点赞和评论行为的亲密性，使用边的粗细程度代表用户行为亲密性的高低，因为在当前时间段内，用户C对用户D的评论行为多于点赞行为，所以两条边的粗细程度不同，反映出用户C对用户D的评论亲密性大于点赞亲密性，同时用户D对用户C并没有发生互动行为，所以没有从用户D节点指向用户C节点的边。
具体地，得益于在步骤S2中设置的时间节点，可以基于时间节点展示动态网络图，通过点击该时间节点筛选出仅在该时间节点内的数据构建动态网络图展示给用户，基于时间点展示的动态网络图局部效果如图4所示，图中顶部相较于普通动态网络图增加了时间点的切换，使用设置的时间节点作为数据展示依据，可以更加精细的对数据进行提取和展示，在大多数场景下，只希望查看固定时间点的数据而不是全部数据，对于图4中，点击顶部对应月份，动态网络图会根据当前时间节点的数据重新生成，呈现出不同的效果，达到精细展示数据的目的。
为了便于大数据量或者数据关系复杂的情况下图形被遮挡不易观察，动态网络图具有可交互性，支持鼠标或手势操作，同时兼具缩放、平移、旋转功能。在本实施例中，因为使用echarts作为渲染引擎构建动态网络图，由于echarts本身带有可交互性，所以构建的动态网络图天然支持交互，也同时支持鼠标手势操作，同时能够进行缩放、平移、旋转等功能。
另一方面，本发明实施例还提供一种智能生成动态网络图的数据可视化系统，如图5所示，所述系统包括：
数据清洗和预处理模块，用于将原始数据进行处理和清洗，将其转化为适合构建动态网络图的数据结构；
时间序数据构建模块，用于将预处理完成的数据根据时间序进一步分类处理；
动态网络图构建模块，用于根据处理完成数据生成动态网络图布局，优化并改进布局方式；
动态网络图绘制模块，用于绘制构建好的动态网络图，以图形界面的形式呈现给用户；
至此，本发明通过将需要进行可视化展示原始数据，对数据进行数据清洗和预处理，将原始数据处理成适合动态网络图展示的格式，按需求设置不同的时间节点，按照选定的时间维度归类，将预处理完成的数据根据时间序进一步分类处理，使用基于self-attention的模型智能生成动态网络图布局，最后使用canvas渲染引擎绘制动态网络图。
本发明技术优势在于：
1. 可以通过可视化注意力权重来解释布局结果，帮助用户理解布局的原因和规律，弥补了传统的布局技术通常是基于启发式规则或者数学模型，缺乏可解释性的缺点。
2. 可以对整个网络的节点和边进行全局关注，捕捉节点之间的复杂依赖关系，从而更好地优化整体布局效果，弥补了传统的布局技术往往只考虑局部信息，易导致布局结果不够全局优化的缺点。
3. 可以根据网络的实时状态和连接性进行自适应调整，使得布局能够随着网络的演化而改变，弥补了传统的动态网络布局技术无法适应网络结构的动态变化的缺点。
在本说明书的描述中，参考术语“实施例”、“示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，本领域的技术人员可以在不产生矛盾的情况下，将本说明书中描述的不同实施例或示例以及其中的特征进行结合或组合。
上述内容虽然已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型等更新操作。
Claims (10)
1.一种智能生成动态网络图的数据可视化方法，其特征在于，所述方法包括如下步骤：
步骤S1，数据清洗和预处理，将原始数据进行处理和清洗，将其转化为适合构建动态网络图的数据结构；
步骤S2，构建时间序数据，将处理好的数据根据不同的时间维度进行分类整理；
步骤S3，构建动态网络图，使用基于self-attention的模型智能生成动态网络图布局；
步骤S4，绘制动态网络图，通过动态网络图中的节点表示数据中的实体或特定属性，边表示节点与节点之间的关系，将构建好的动态网络图以图形界面的形式呈现给用户。
2.根据权利要求1所述的智能生成动态网络图的数据可视化方法，其特征在于，在步骤S1中，所述原始数据包括文本、图片、视频和/或音频。
3.根据权利要求1所述的智能生成动态网络图的数据可视化方法，其特征在于，在步骤S2中，可以灵活的根据用户需求设置时间节点，所述时间节点可以是固定的时间点，也可以是动态变化的时间段。
4.根据权利要求1所述的智能生成动态网络图的数据可视化方法，其特征在于，在步骤S3中，使用基于self-attention的模型智能生成动态网络图布局，改进优化动态网络图的展示效果。
5.根据权利要求1所述的智能生成动态网络图的数据可视化方法，其特征在于，在步骤S4中，基于不同的时间节点来展示动态网络图，通过不同的颜色、形状和大小标识不同类型的节点和边，用户可以通过鼠标或手势操作来对图形进行缩放、平移和旋转操作，以便更好地观察和分析数据。
6.根据权利要求1所述的智能生成动态网络图的数据可视化方法，其特征在于，在步骤S4中，通过echarts渲染引擎构建的动态网络图。
7.根据权利要求1所述的智能生成动态网络图的数据可视化方法，其特征在于，在步骤S4中，使用canvas渲染引擎将处理好的数据构建为动态网络图，按需设置不同的时间节点，基于选择的时间节点展示动态网络图。
8.根据权利要求1所述的智能生成动态网络图的数据可视化方法，其特征在于，self-attention用于将不同节点之间的关系建模，并根据这些关系对节点的布局进行自动调整。
9.一种智能生成动态网络图的数据可视化系统，其特征在于，所述系统用于实现根据权利要求1-8任一项所述的智能生成动态网络图的数据可视化的方法。
10.根据权利要求9所述的智能生成动态网络图的数据可视化系统，其特征在于，所述系统包括：
数据清洗和预处理模块，用于将原始数据进行处理和清洗，将其转化为适合构建动态网络图的数据结构；
时间序数据构建模块，用于将预处理完成的数据根据时间序进一步分类处理；
动态网络图构建模块，用于根据处理完成数据生成动态网络图布局，优化并改进布局方式；
动态网络图绘制模块，用于绘制构建好的动态网络图，以图形界面的形式呈现给用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311035333.3A CN116756232B (zh) | 2023-08-17 | 2023-08-17 | 一种智能生成动态网络图的数据可视化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311035333.3A CN116756232B (zh) | 2023-08-17 | 2023-08-17 | 一种智能生成动态网络图的数据可视化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116756232A true CN116756232A (zh) | 2023-09-15 |
| CN116756232B CN116756232B (zh) | 2023-11-24 |
Family
ID=87959452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311035333.3A Active CN116756232B (zh) | 2023-08-17 | 2023-08-17 | 一种智能生成动态网络图的数据可视化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116756232B (zh) |
Citations (11)
| 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 |
| US20210058345A1 (en) * | 2019-08-22 | 2021-02-25 | Adobe Inc. | Utilizing a graph neural network to identify supporting text phrases and generate digital query responses |
| CN112989064A (zh) * | 2021-03-16 | 2021-06-18 | 重庆理工大学 | 一种聚合知识图神经网络和自适应注意力的推荐方法 |
| CN113110833A (zh) * | 2021-04-15 | 2021-07-13 | 成都新希望金融信息有限公司 | 机器学习模型可视化建模方法、装置、设备及存储介质 |
| CN113850381A (zh) * | 2021-09-15 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 一种图神经网络训练方法及装置 |
| CN113963232A (zh) * | 2021-10-18 | 2022-01-21 | 华东师范大学 | 一种基于注意力学习的网络图数据提取方法 |
| CN114067349A (zh) * | 2022-01-12 | 2022-02-18 | 阿里巴巴达摩院(杭州)科技有限公司 | 目标对象处理方法及装置 |
| CN114595343A (zh) * | 2022-05-07 | 2022-06-07 | 北京金堤科技有限公司 | 图谱展示方法、装置、存储介质及电子设备 |
| CN115392461A (zh) * | 2022-08-10 | 2022-11-25 | 五邑大学 | 植物布局模型的建立方法、获取方法、系统及存储介质 |
| CN115860064A (zh) * | 2022-12-05 | 2023-03-28 | 东北大学 | 一种基于演化图卷积的动态网络嵌入方法 |
| US20230229924A1 (en) * | 2022-01-14 | 2023-07-20 | Intuitive Research And Technology Corporation | Modifying neural networks based on enhanced visualization data |
-
2023
- 2023-08-17 CN CN202311035333.3A patent/CN116756232B/zh active Active
Patent Citations (11)
| 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 |
| US20210058345A1 (en) * | 2019-08-22 | 2021-02-25 | Adobe Inc. | Utilizing a graph neural network to identify supporting text phrases and generate digital query responses |
| CN112989064A (zh) * | 2021-03-16 | 2021-06-18 | 重庆理工大学 | 一种聚合知识图神经网络和自适应注意力的推荐方法 |
| CN113110833A (zh) * | 2021-04-15 | 2021-07-13 | 成都新希望金融信息有限公司 | 机器学习模型可视化建模方法、装置、设备及存储介质 |
| CN113850381A (zh) * | 2021-09-15 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 一种图神经网络训练方法及装置 |
| CN113963232A (zh) * | 2021-10-18 | 2022-01-21 | 华东师范大学 | 一种基于注意力学习的网络图数据提取方法 |
| CN114067349A (zh) * | 2022-01-12 | 2022-02-18 | 阿里巴巴达摩院(杭州)科技有限公司 | 目标对象处理方法及装置 |
| US20230229924A1 (en) * | 2022-01-14 | 2023-07-20 | Intuitive Research And Technology Corporation | Modifying neural networks based on enhanced visualization data |
| CN114595343A (zh) * | 2022-05-07 | 2022-06-07 | 北京金堤科技有限公司 | 图谱展示方法、装置、存储介质及电子设备 |
| CN115392461A (zh) * | 2022-08-10 | 2022-11-25 | 五邑大学 | 植物布局模型的建立方法、获取方法、系统及存储介质 |
| CN115860064A (zh) * | 2022-12-05 | 2023-03-28 | 东北大学 | 一种基于演化图卷积的动态网络嵌入方法 |
Non-Patent Citations (2)
| Title |
|---|
| QI LIAO等: "Anomaly analysis and visualization for dynamic networks through spatiotemporal graph segmentations", 《JOURNAL OF NETWORK AND COMPUTER APPLICATIONS》, vol. 124, pages 63 - 79 * |
| 胡华全;吴玲达;杨超;宋汉辰;: "时变网络可视化研究综述", 系统仿真学报, no. 09, pages 1975 - 1989 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116756232B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Frishman et al. | Multi-level graph layout on the GPU | |
| Geng et al. | Angular histograms: Frequency-based visualizations for large, high dimensional data | |
| von Landesberger et al. | Visual analysis of large graphs. | |
| Zhou et al. | FSAD-Net: feedback spatial attention dehazing network | |
| Bahrehmand et al. | Optimizing layout using spatial quality metrics and user preferences | |
| Zhao et al. | Mathematical morphology-based generalization of complex 3D building models incorporating semantic relationships | |
| Gansner et al. | Interactive visualization of streaming text data with dynamic maps | |
| CN109086664B (zh) | 一种动静态融合的多态手势识别方法 | |
| CN110910401A (zh) | 半自动化图像分割数据标注方法、电子装置及存储介质 | |
| WO2023109640A1 (zh) | 无人驾驶场景下深度强化学习模型的可解释性方法及系统 | |
| CN114092615A (zh) | 使用人工智能在3d物体上进行uv映射 | |
| Silva et al. | Visualization and analysis of schema and instances of ontologies for improving user tasks and knowledge discovery | |
| Li et al. | Modulgraph: modularity-based visualization of massive graphs | |
| She et al. | 3D building model simplification method considering both model mesh and building structure | |
| Lai et al. | A framework of filtering, clustering and dynamic layout graphs for visualization | |
| Parente et al. | Integration of convolutional and adversarial networks into building design: A review | |
| CN108961268B (zh) | 一种显著图计算方法及相关装置 | |
| Thangaraj et al. | Mgephi: Modified gephi for effective social network analysis | |
| CN116756232B (zh) | 一种智能生成动态网络图的数据可视化方法及系统 | |
| McNabb et al. | Dynamic choropleth maps–using amalgamation to increase area perceivability | |
| Ghanam et al. | A survey paper on software architecture visualization | |
| Taghavi et al. | Visualization of multi-objective design space exploration for embedded systems | |
| CN114218723A (zh) | 多维度信息传播网络社区可视化方法、系统、装置及介质 | |
| Alnjar | Data visualization metrics between theoretic view and real implementations: A review | |
| CN114494272A (zh) | 一种基于深度学习的金属零件快速分割方法 |
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 |