一种基于聚合矩阵的多层社交网络可视化方法及系统

本发明属于社交网络可视化领域，具体涉及一种基于聚合矩阵的多层社交网络可视化方法及系统。

背景技术：

1、社交网络可视化方式主要通过使用专门的工具和技术，将社交网络中的节点和连接以图形方式呈现出来，通过不同的颜色、形状和大小来表示节点和边的属性，从而直观地展示社交网络的结构和特征。这种可视化方式不仅可以帮助用户更好地理解和分析社交网络中的关系和模式，还提供了丰富的过滤器和标签选项来控制可视化的细节，并支持交互式浏览和探索网络结构。

2、社交网络可视化的重要性在于其直观性、快速性、灵活性和富有洞察力。通过连接数据可视化，即网络可视化、链接分析或图形可视化，可以更直观地显示数据之间的关系和模式，帮助用户快速发现趋势、模式和异常值。

3、由于矩阵具有良好的计算性质，它通常被作为多层社交网络研究中的实际计算模型来承接数据。目前，最通用的多层社交网络矩阵模型是超邻接矩阵。当应用于网络拓扑分析任务时，相较于图可视化，矩阵可视化能够避免图中大量边交叉与重叠导致的视觉混乱问题，同时它已经被证明对于低级分析任务和大型图比较任务而言更加有效，因此能够胜任更多节点、更大边密度的多层社交网络可视化场景。传统的单层社交网络矩阵可视化的研究工作已相当成熟，相比之下，多层社交网络矩阵可视化方法的研究工作并不多见。

4、现有的研究工作多采用切片方式逐一呈现多层网络中各层的邻接矩阵，这是由于它们主要针对动态网络可视化进行设计。尽管属于多层网络概念范畴，动态网络基于时间而非类型对网络进行层切片，使动态网络具有时序特征。而基于时序逐一呈现邻接矩阵有利于用户观察网络中特定结构和模式随时间的演变，却不利于探索跨层的复合结构和模式。用户需要付出较大的认知努力将不同层的信息串联起来，尤其对于多层社交网络而言，网络层是分类数据而非有序数据，任何一种层(即维度)组合都有可能具有跨层复合结构和模式。因此，对于多层社交网络，目前的可视化方法效果不佳。

技术实现思路

1、本发明的目的之一在于提供一种基于聚合矩阵的多层社交网络可视化方法，能支持用户探索不同维度组合下结构和模式的多层社交网络矩阵可视化方法。

2、本发明的目的之二在于提供一种实现所述基于聚合矩阵的多层社交网络可视化方法的系统。

3、本发明提供一种基于聚合矩阵的多层社交网络可视化方法，包括以下步骤：

4、s1.获取社交信息数据集；

5、s2.根据步骤s1得到的社交信息数据集，构建多层社交网络；

6、s3.根据步骤s2得到的多层社交网络，计算获取向量颜色映射方案；

7、s4.根据步骤s2得到的多层社交网络，随机生成节点初始排序，并使用启发式算法迭代优化求解，得到最终节点排序；

8、s5.根据步骤s3得到的向量颜色映射方案与步骤s4得到的最终节点排序，构建聚合矩阵可视化图，完成多层社交网络可视化。

9、步骤s2具体为：根据社交信息数据集得到社交网络的关系类型数n、总个体数m；对每一个个体，构建n个分属不同关系类型的节点副本，并在节点副本上储存个体在该关系类型下的信息；

10、对每一个存在于两个个体间的关系，在该关系所属关系类型下两个个体对应节点副本直接连接有向边；

11、所有节点副本和连接节点副本的有向边构成的多层节点链接图为所述多层社交网络；使用n维0-1向量来表征多层社交网络中节点对之间n种关系类型的连接情况。

12、步骤s3具体包括以下步骤：

13、a.计算所有n维0-1向量的差值，使用以下算式进行计算：

14、

15、其中，a为多层社交网络中任意节点对组合；b为多层社交网络中与a不同的任意节点对组合；va为节点对a对应特征向量；vb为节点对b对应特征向量；为节点对a在多层社交网络中第i层的连接情况；为节点对b在多层社交网络中第i层的连接情况；为异或运算；

16、b.在cielab颜色空间中初始化2n种n维0-1向量的初始配色方案c'，使用以下算式表示：

17、

18、其中，ci为第i种n维0-1向量的颜色；为第i种n维0-1向量的亮度；为第i种n维0-1向量的红绿色度坐标；为第i种n维0-1向量的黄蓝色度坐标；设定n维向量[0,0,...,0]的颜色表示为(0,0,0)，n维向量[1,1,...,1]的颜色表示为(180,0,0)，随机初始化其他(2n-2)种n维0-1向量的颜色表示；

19、c.根据步骤b得到的初始配色方案c'，使用以下算式计算各颜色对的色差δe{ci,cj}：

20、

21、d.根据步骤a得到的n维0-1向量的差值与步骤c得到的各颜色对的色差，使用如下算式计算损失函数：

22、

23、其中，u、v为所有n维0-1向量中任意两个不同的向量；k为常量，取值为180/n，n为多层社交网络中的节点数；

24、e.根据步骤d得到的损失函数，使用以下算式计算损失函数梯度：

25、

26、f.根据步骤e得到的损失函数梯度，对初始配色方案c'进行调整迭代，直到损失函数梯度为0，得到配色方案c。

27、步骤s4包括以下步骤：

28、a.根据步骤s2得到的多层社交网络，随机生产节点初始排序sinit，作为当前排序；

29、b.采用以下算式计算当前排序的损失函数p：

30、

31、其中，vi,j为多层社交网络中节点i与节点j的特征向量；

32、c.对步骤a得到的当前排序，重复k次随机交换两个节点的排序以产生新节点排序s'，每次产生新节点排序都比较当前排序与新节点排序的损失函数大小，若新节点排序损失函数值大小不大于当前排序损失函数值，则接受新节点排序为当前排序，否则计算接受新节点排序为当前排序概率u，由计算机依据概率给出最终结果，采用以下算式计算接受新节点排序的概率u：

33、

34、其中，p(s)为当前节点排序的损失函数值；p(s')为新节点排序的损失函数值；k为设定的预设值；t为当前算法温度；新算法温度t'采用以下算式计算：

35、t'＝tα

36、其中，α为常量且0＜α＜1；初次迭代时的算法初始温度为预设值t0；每次通过上式迭代当前算法温度t后，对当前算法温度进行以下判断：

37、当前算法温度t小于预设的结束温度tmin时，输出当前节点排序s作为最终节点排序，否则重复步骤c直到当前算法温度t大于或等于预设的结束温度tmin。

38、步骤s5具体为：根据步骤s3得到的配色方案c与步骤s4得到的最终节点排序，将节点按照最终节点排序在矩阵的行列轴上依次排列，构建聚合矩阵可视化图，矩阵中各单元格根据配色方案c上色；

39、聚合矩阵中第i行与第i列对应最终节点排序中排序i的节点；聚合矩阵中第i行第j列代表着最终节点排序i与排序j的节点间的特征向量。

40、本发明还提供一种实现所述基于聚合矩阵的多层社交网络可视化方法的系统，包括数据获取模块、多层社交网络构建模块、向量颜色映射方案计算模块、最终节点排序获取模块、多层社交网络可视化模块；

41、数据获取模块获取社交信息数据集，并将数据上传到多层社交网络构建模块；

42、多层社交网络构建模块根据接收的数据，构建多层社交网络，并将数据上传到向量颜色映射方案计算模块；

43、向量颜色映射方案计算模块根据接收的数据，计算获取向量颜色映射方案，并将数据上传到最终节点排序获取模块；

44、最终节点排序获取模块根据接收的数据，随机生成节点初始排序，并使用启发式算法迭代优化求解，得到最终节点排序，并将数据上传到多层社交网络可视化模块；

45、多层社交网络可视化模块根据接收的数据，构建聚合矩阵可视化图，完成多层社交网络可视化。

46、本发明公开了一种基于聚合矩阵的多层社交网络可视化方法及系统，解决了现有方法不支持探索分析多层社交网络下不同维度组合下的矩阵可视化的问题，通过启发式算法优化节点排序，减少了信息损失，得到了更好的可视化效果。