基于表征学习的大规模网络图简化表达与可视分析研究

发布时间：2025-01-14 00:21

　　作为一种普遍存在的数据结构,网络总是被用来编码许多应用领域中实体之间的关系,如社会学中人与人之间的社会关系、生物学中蛋白质之间的相互作用以及金融公司之间的交易等。随着大数据时代的到来,网络数据的收集和存储能力日益提高,对大规模网络数据进行深入而细致的分析,能够有效了解和探索人类行为模式。然而,网络数据的规模日益庞大、结构日趋复杂,为大规模网络的研究带来了一定的困难,尤其是在网络分析、数据挖掘与可视分析等领域。例如,图挖掘算法通常具有很高的计算复杂度,图可视化方法也固有地受到所用算法的复杂性、屏幕空间、视觉杂波以及读取数据时人类感知能力的限制。因此,通过对大规模网络数据的高质量简化表达来提高大规模网络数据认知水平与分析能力的需求,变得尤为迫切。图采样技术是一种高效的数据约简方法,被广泛应用于简化各种大规模网络。但是,现有的图采样策略大多都是在传统的网络空间中进行,不仅采样过程具有较高的计算复杂度,其采样结果也具有较强的不确定性。而传统的采样结果评估通常是根据网络数据的统计特征,如度分布、聚集系数等进行评价,难以直观而快速地观察网络拓扑结构及其隐含语义关联的变化。可以看出,传统的图采样策略及...

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

图2-1GraRep算法示意图

?绶治鲋校?帕τ谘芯咳绾魏侠淼乇硎就?缰械奶卣餍畔ⅲ℅oyal等，2017）。有关网络表示学习的论文层出不穷，为本文的研究提供了丰富的基础（涂存超等，2017）。较早的用于网络表示学习的算法多是通过构建关系矩阵计算矩阵的特征向量。例如，GraRep算法（Cao等，2015）通过S....

图2-2采样算

8Sample，RES）将随机选取网络中的边，对于选到的边等概率地选择其所连的节点或把两个节点全都加入样本集（Yoon等，2015），采样结果如图2-2（c）所示。但是其采样结果往往会频繁选择高阶节点，不能反映原始图的结构。因此，随机节点-边采样（RandomNode-Edge，....

图2-3基于图布局的网络可视化

ò?ǎ翰季趾途劾唷?一个良好的图布局，可以在有限的空间内有效的展示图数据的分布情况，帮助用户快速感知图数据的结构信息（Ma和Muelder，2013；Kwon等，2017）。然而，对于大型、复杂的网络结构，有效的布局很难创建。这是复杂网络可视化的一个重要组成部分。例如，Gansn....

图2-4基于像素的标量场示意图

10进一步，有学者针对动态图进行了布局设计（Daniel等，2011）。例如，Burch等（2011）为了解决大规模网络图中边的过度绘制问题，应用了一种将边转换为基于像素的标量场的展开方法，如图2-4所示。Hu等（2012）则设计了基于具有节点稳定性的动态节点布局以保证良好的可读....

本文编号：4026125