基于力引导的社交网络可视化方法、计算机装置

1.本发明涉及社交网络布局技术，特别是一种基于力引导的社交网络可视化方法、计算机装置。


背景技术：

2.目前主要有四大类多关系社交网络可视化方式：聚合式、图表式、2.5d式和切片式。
3.聚合式：基本思想是将社交网络中每一种关系类型分配不同颜色加以区分，并将所有关系类型呈现在一张网络图中。采用这种方式产生的网络图往往很炫目，但是网络图中一次性呈现的信息量过大，用户难以理解多种关系类型之间的相关性且难以专注于观察某一特定关系类型。
4.rossi等(rossi l,magnani m.towards effective visual analytics on multiplex and multilayer networks[j].chaos,solitons&fractals,2015,72:68-76.)认为将各种类型的连接简单聚合会受过多信息干扰，无法揭示网络的底层结构信息，提出了基于局部合并技术的社交图(local merging techniques)以对图中呈现的信息进行有条件的筛选，它保持了传统的节点链接图的外观，重新定义了点对间边的含义。但其缺点在于需要用户预先了解网络结构，以设定筛选阈值，且该方法只能呈现部分网络结构。张喜涛等(张喜涛,吴玲达,于少波,等.面向多层网络可视化的多力导引节点自动布局算法[j].计算机辅助设计与图形学学报,2019,31(4):129-136.)为了清晰展示网络结构同时便于用户对比不同关系网络结构，提出一种聚合式的多力导引节点布局算法，该方法将不同的关系网络布局在图的不同局部空间上，其缺点同样在于图中一次性呈现的信息量过大。数据规模达到数十个节点时，网络图中密集的连接关系以及边交叉情况使得整个布局变得几乎不可读。
[0005]
图表式：基本思想是采用传统的二维图表形式表征多关系社交网络特征。rossi等提出了一种基于传统图表设计，将所有边在纵轴上展示，并基于度量方法对点、边进行排序，避免了聚合式方法中存在大量边交叉情况的问题。图表式方法避免了传统网络可视化中可能出现的视觉混乱问题，缺点是不够直观，难以帮助用户理解网络结构。
[0006]
2.5d式：该方式一般用于辅助科研人员对多关系社交网络模型、算法进行解释性说明。由于2.5d式可视化方法具有立体特性，不同关系网络结构可以在横纵轴上展示，不同关系网络图可以在竖轴上堆叠，使得该方法对于多层网络特性的表征往往更为清晰直观。但受限于观察视角和层间距等因素，2.5d式可视化方法能够清晰呈现的数据规模极小。
[0007]
切片式：切片式是目前主流的多关系社交网络可视化方式。基本思想是将不同关系网络图独立展示，以表现不同关系图网络结构的差异。切片式有两种经典的布局方法：相同布局和独立布局。相同布局为每一层关系网络采用完全相同的布局，以便于用户进行层间对比，但是当不同层的网络结构差异较大时，网络结构可读性会受到影响；独立布局为每一层关系网络设计独立的布局，以便于用户更好地观察每一层网络结构，但同时用户也失
去了探索不同关系间关联性的可能性。
[0008]
zhang等(zhang x,wu l,yao z,et al.a multi-layer network topology visualization layout based on louvain community detec-tion[c]//2018ieee third international conference on data science in cyberspace(dsc).ieee,2018:760-763.)采用切片式设计，提出了一种基于louvain社群检测的可视化方法，以解决社交网络可视化中社群结构显示不清的问题。但是该方法无法有效保持用户心理地图，使得用户难以进行多关系间比较任务。
[0009]
以上社交网络可视化方式，无法兼顾展现各种关系图网络结构和展现多种关系之间的关联性。用户只能在花费大量的时间来辨识某种社交关系的拓扑结构特点，或者花费大量的时间寻找某一实体在不同关系网络中所在的位置中选择其一，这对于用户而言将产生巨大的认知负担。因此，目前缺少一种能够清晰展现关系网络拓扑结构同时便于用户对比不同关系网络结构的社交网络布局方法。
[0010]
此外，cn 111597664 b提出了一种基于四叉树结构的社交网络图布局方法。该方法利用bh算法对图形空间进行划分并构建四叉树，通过计算节点的n-body力和links力，对布局进行调整直至满足终止条件。但该方法仅能处理单关系社交网络，无法计算多关系社交网络布局。然而实际生活中，用户参与的社会网络往往包含复杂多样的关系类型。


技术实现要素：

[0011]
本发明所要解决的技术问题是，针对现有技术不足，提供一种基于力引导的社交网络可视化方法、计算机装置，允许网络中存在多种关系，同时达到清晰呈现各关系网络图网络结构和保持用户心理地图两个目标。
[0012]
为解决上述技术问题，本发明所采用的技术方案是：一种基于力引导的社交网络可视化方法，包括以下步骤：
[0013]
s1、获取社交信息数据，基于所述社交信息数据，构建多关系社交网络g；
[0014]
s2、计算所述多关系社交网络g中每一个体对应的节点副本间的影响因子集合i、各关系网络图中任意两节点副本间的最短路径长度集合d，随机初始化每一个体在不同关系网中节点副本的位置集合p；
[0015]
s3、根据所述影响因子集合i、节点副本的位置集合p，计算节点副本当前位置与节点副本理想位置的距离差集合δp；
[0016]
s4、根据所述最短路径长度集合d、节点副本的位置集合p和距离差集合δp，构建损失函数cost；
[0017]
s5、根据所述损失函数cost，使用牛顿迭代法方法计算得出社交网络布局方案l。
[0018]
本发明立足于切片式社交网络可视化，围绕多关系社交网络中无法有效兼顾网络布局和用户心理地图的问题，给出了基于力引导的多关系社交网络布局方法。本发明提出了个体i位于第j类关系的副本对于位于第k类关系的副本的影响程度i
ijk
。本发明创造性地以影响因子i
ijk
来衡量节点副本附近网络布局和用户心理地图的冲突程度，以此计算节点副本的理想布局位置，能够同时达到清晰呈现各关系网络图网络结构和保持用户心理地图两个目标。本发明提出的多关系社交网络布局方法从模型定义上即允许网络中存在多种关系，并采用切片式可视化设计，将多关系社交网络按不同关系类别依次呈现，克服了现有方
法仅能处理单关系社交网络，无法计算多关系社交网络布局的缺陷，具有更好的通用性。
[0019]
步骤s1中，多关系社交网络g的具体构建过程包括：
[0020]
1)利用所述社交信息数据确定社交网络的关系类型数n、总个体数m；对于每一个体，构建n个分属不同关系类型的节点副本与该个体对应，并在节点副本上存储个体在该关系类型下的信息；
[0021]
2)对于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的两个个体对应的节点副本之间连接有向边，由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即为多关系社交网络g。
[0022]
多关系社交网络g赋予了每一个体若干个节点副本以表征个体在不同关系类型中的连接情况，节点副本布局位置相互独立，使得多关系社交网络g具有较高的可拓展性、灵活性。
[0023]
步骤s2中，影响因子集合i表示为：i＝{i
ijk
|i＝1,
…
,m；j＝1,
…
,n；k＝1,
…
,n}；其中，i
ijk
表示个体i位于第j类关系的节点副本对于位于第k类关系的节点副本的影响程度；e
(i,j)
为个体i位于第j层的节点副本关联的所有边的集合。
[0024]
步骤s2中，最短路径长度集合d表示为：d＝{d
ijk
|＝1,
…
,m；j＝1,
…
,m；k＝1,
…
,n}；其中，d
ijk
为个体i位于第k种关系中的节点副本与个体j位于第k种关系中的节点副本间的最短路径长度。
[0025]
步骤s3中，距离差集合δp＝{δp
ij
|i＝1,
…
,m；j＝1,
…
,n}；其中，δp
ij
为个体i位于第j种关系的节点副本的当前位置与该节点副本的理想位置的距离差，位于第j种关系的节点副本的当前位置与该节点副本的理想位置的距离差，
[0026]
其中，p
ij
＝(x
ij
,y
ij
)，p
ij
表示个体i位于第j种关系的节点副本的位置，x
ij
表示个体i位于第j层副本的横坐标位置，y
ij
个体i位于第j层副本的纵坐标位置。
[0027]
p＝{p
ij
|i＝1,
…
,m；j＝1,
…
,n}，p表示每一个体在不同关系网中节点副本的位置集合p
[0028]
步骤s4中，cost＝y z；步骤s4中，cost＝y z；其中，a、b、c均为常系数。其中y项用以实现多关系社交网络可视化中良好的用户心理地图保持效果，z项用以实现关系社交网络可视化中良好的网络结构可读性。将y项和z项组合构成损失函数cost，能够进一步有效平衡多关系社交网络可视化中用户心理地图保持和网络结构可读性的冲突。
[0029]
步骤s5的具体实现过程包括：
[0030]
a)计算所述损失函数cost的梯度
[0031][0032]
b)根据所述梯度使用牛顿迭代法迭代调整节点副本位置集合p中的元素，直到损失函数cost不再减少，牛顿迭代法的迭代公式：
[0033][0034]
其中h-1
为损失函数cost的黑塞矩阵的逆，p
′
为经过一次牛顿迭代法迭代后的每一个体在不同关系网中节点副本的位置集合，当|cost(p
′
)-cost(p)|≤e时，牛顿迭代法结束，当|cost(p
′
)-cost(p)|＞e时，将p
′
赋值给p并开始下一次牛顿迭代法迭代，其中e为常系数；
[0035]
c)将步骤b)获得的节点副本位置集合p
′
作为社交网络布局方案l。
[0036]
相比其他优化问题求解方法，采用牛顿迭代法能够更快地寻找到损失函数cost的极小值，从而整体上提高本发明方法的运行效率。
[0037]
本发明还提供了一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序；所述处理器执行所述计算机程序，以实现上述方法的步骤。
[0038]
本发明还提供了一种计算机程序产品，包括计算机程序/指令；该计算机程序/指令被处理器执行时实现上述方法的步骤。
[0039]
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序/指令；所述计算机程序/指令被处理器执行时实现上述方法的步骤。
[0040]
与现有技术相比，本发明所具有的有益效果为：相比于现有的多关系社交网络可视化方法，本发明能够同时达到清晰呈现各关系网络图网络结构和保持用户心理地图两个目标。其他的多关系社交网络可视化方法各有侧重，但是这些方法要么牺牲合理的网络布局，以保持更好的用户心理地图，进而减轻用户进行跨层比较时的认知负担；要么这些方法破坏了不同层间的用户心理地图保持效果，以获取更好的网络布局。虽然有一些方法试图平衡网络布局和心理地图保持效果，但这些方法牺牲了可视化方法中能够传达的信息量。实验表明，相比于独立布局方式，本发明方法布局牺牲了一些边交叉数量，而获得了节点移动距离的显著降低；相比于相同布局方式，本发明方法布局牺牲了一定节点移动距离，而获得了边交叉数的显著降低。本发明方法布局方法对多关系社交网络中网络结构可读性和用户心理地图保持的平衡作用是有效的。
附图说明
[0041]
图1为本发明实施例方法流程图；
[0042]
图2(a)～图2(c)分别为本发明布局效果图、独立布局效果图、相同布局效果图；
[0043]
图3为本发明实施例网络布局和用户心理地图衡量指标定量分析图；
[0044]
图4为本发明实施例真实数据集实验效果分析图。
具体实施方式
[0045]
本发明提供的这种基于力引导的社交网络可视化方法，包括如下步骤：
[0046]
s1.获取社交信息数据；
[0047]
s2.根据步骤s1获得的社交信息数据，构建多关系社交网络g；
[0048]
s3.根据步骤s2获得的社交网络，计算每一个体所对应的节点副本间的影响因子集合i；
[0049]
s4.根据步骤s2获得的社交网络，计算各关系网络图中任意两节点副本间的最短路径长度集合d；
[0050]
s5.根据步骤s2获得的社交网络，随机初始化每一个体在不同关系网中节点副本的位置集合p；
[0051]
s6.根据步骤s3获得的影响因子集合i和步骤s5获得的节点副本位置集合p，计算节点副本当前位置与其理想位置的距离差集合δp；
[0052]
s7.根据步骤s4获得的最短路径长度集合d、步骤s5获得的节点副本位置集合p和步骤s6获得的节点副本当前位置与其理想位置的距离差集合δp，构建损失函数cost；
[0053]
s8.根据步骤s7获得的损失函数cost，使用牛顿迭代法求解得出社交网络布局方案l。
[0054]
步骤s2所述的根据步骤s1获得的社交信息数据构建多关系社交网络g，具体为采用如下步骤构建多关系社交网络g：
[0055]
a.根据步骤s1获得的社交信息数据，确定社交网络的关系类型数n、总个体数m；
[0056]
b.根据步骤s1获得的社交信息数据，对于每一个体构建n个分属不同关系类型的节点副本与之对应，并在节点副本上存储个体在该关系类型下的信息；
[0057]
c.根据步骤s1获得的社交信息数据和步骤b获得的节点副本，对于每一个存在于两个个体间的关系，在其关系所属关系类型下的两个个体对应的节点副本之间连接有向边。由此构成的多层节点链接图称为多关系社交网络g。
[0058]
步骤s3所述的根据步骤s2获得的社交网络计算每一个体所对应的节点副本间的影响因子集合i，具体为采用如下步骤进行计算每一个体所对应的节点副本间的影响因子集合i：
[0059]
a.根据步骤s2获得的社交网络，计算与个体i位于第j类关系的节点副本关联的所有边的集合e
(i,j)
。e
(i,j)
中的边均不考虑其边所对应的关系所属的关系类型，即联系两个个体间的一种以上的不同关系所对应的边，在集合e
(i,j)
中均视为同一条边，不重复计算；
[0060]
b.根据步骤a获得的个体i位于第j层的节点副本关联的所有边的集合e
(i,j)
，采用如下算式计算个体i位于第j类关系的副本对于位于第k类关系的副本的影响程度i
ijk
：
[0061][0062]
|e
(i,j)
|表示集合e
(i,j)
中元素的个数。
[0063]
c.根据步骤b获得的个体i位于第j类关系的副本对于位于第k类关系的副本的影响程度i
ijk
，采用如下算式构建每一个体所对应的节点副本间的影响因子集合i：
[0064]
i＝{i
ijk
|i＝1,
…
,m；j＝1,
…
,n；k＝1,
…
,n}；
[0065]
步骤s4所述的根据步骤s2获得的社交网络计算各关系网络图中任意两节点副本间的最短路径长度集合d，具体为采用如下步骤计算各关系网络图中任意两节点副本间的最短路径长度集合d：
[0066]
a.根据步骤s2获得的社交网络，采用dijkstra算法(dijkstra e w.a note on two problems in connexion with graphs[j].numerische mathematik,1959,1(1):269-271.)计算个体i位于第k种关系中的节点副本与个体j位于第k种关系中的节点副本间的最短路径长度d
ijk
；
[0067]
b.根据步骤a获得的个体i位于第k种关系中的节点副本与个体j位于第k种关系中的节点副本间的最短路径长度d
ijk
，采用如下算式计算各关系网络图中任意两节点副本间的最短路径长度集合d：
[0068]
d＝{d
ijk
|＝1,
…
,m；j＝1,
…
,m；k＝1,
…
,n}；
[0069]
步骤s5所述的根据步骤s2获得的社交网络随机初始化各节点在不同关系网中节点副本的位置集合p，具体为采用如下步骤随机初始化节点副本的位置集合p：
[0070]
a.采用服从0到1均匀分布的随机变量x取值x
ij
，并将x
ij
作为个体i位于第j层副本的横坐标位置；
[0071]
b.采用服从0到1均匀分布的随机变量y取值y
ij
，并将y
ij
作为个体i位于第j层副本的纵坐标位置；
[0072]
c.根据步骤a获得的个体i位于第j层副本的横坐标位置和步骤b获得的个体i位于第j层副本的纵坐标位置，采用如下算式构建每一个体在不同关系网中节点副本的位置集合p：
[0073]
p＝{(x
ij
,y
ij
)|i＝1,
…
,m；j＝1,
…
,n}。
[0074]
步骤s6所述的根据步骤s3获得的影响因子集合i和步骤s5获得的节点副本位置集合p计算节点副本当前位置与其理想位置的距离差集合δp，具体为采用如下步骤计算节点副本当前位置与其理想位置的距离差集合δp：
[0075]
a.检查社交网络中是否存在不与其他个体存在任何连接的孤立个体，若存在则将其排除出社交网络；
[0076]
b.根据步骤s3获得的影响因子集合i和步骤s5获得的节点副本位置集合p，采用如下算式计算个体i位于第j种关系的节点副本的当前位置与其理想位置的距离差δp
ij
：
[0077][0078]
c.根据步骤b获得的个体i位于第j种关系的节点副本的当前位置与其理想位置的距离差δp
ij
，采用如下算式计算节点副本当前位置与其理想位置的距离差集合δp：
[0079]
δp＝{δp
ij
|i＝1,
…
,m；j＝1,
…
,m}。
[0080]
步骤s7所述的根据步骤s4获得的最短路径长度集合d、步骤s5获得的节点副本位置集合p和步骤s6获得的节点副本当前位置与其理想位置的距离差集合δp构建损失函数cost，具体为采用如下步骤构建损失函数cost：
[0081]
a.根据步骤s6获得的节点副本当前位置与其理想位置的距离差集合δp，采用如下算式计算距离差损失项y：
[0082]
[0083]
a为常系数，应当根据社交网络具体情况进行恰当取值，一般情况下推荐a取值为1
[0084]
b.根据步骤s4获得的最短路径长度集合d和步骤s5获得的节点副本位置集合p，采用如下算式计算关系网内节点间距的损失项z：
[0085][0086]
b和c为常系数，应当根据社交网络具体情况进行恰当取值，一般情况下b推荐取值为0.01，c推荐取值为10。
[0087]
c.根据步骤a得到的距离差损失项y和步骤b得到的关系网内节点间距的损失项z，计算损失函数cost＝y z。
[0088]
步骤s8所述的根据步骤s7获得的损失函数cost使用牛顿迭代法求解得出社交网络布局方案l，具体为采用如下步骤求解社交网络布局方案l：
[0089]
a.根据步骤s7获得的损失函数cost，采用如下算式计算损失函数梯度a.根据步骤s7获得的损失函数cost，采用如下算式计算损失函数梯度
[0090]
δp
ij
∈δp,d
ijk
∈d,p
ik
∈p；
[0091]
b.根据所述梯度使用牛顿迭代法迭代调整节点副本位置集合p中的元素，直到损失函数cost不再减少，牛顿迭代法的迭代公式：
[0092][0093]
其中h-1
为损失函数cost的黑塞矩阵的逆，p
′
为经过一次牛顿迭代法迭代后的每一个体在不同关系网中节点副本的位置集合，当|cost(p
′
)-cost(p)|≤e时，牛顿迭代法结束，当|cost(p
′
)-cost(p)|＞e时，将p
′
赋值给p并开始下一次牛顿迭代法迭代，其中e是一个数值足够小的常系数，本发明中e取值10-5
。
[0094]
c.将步骤b最终获得的节点副本位置集合p
′
称为社交网络布局方案l，即l＝p
′
。
[0095]
从图2(a)中可以看出，本发明保持了相对较高的关系网络图网络结构可读性，中心性高的节点被布局在图中央，而中心性的节点被布局在图的四周，以减少边交叉情况出现。最右侧的关系网络图中树形结构清晰可见。另一方面，本发明保持了较好的用户心理地图，同一个体位于不同关系类型中的节点副本基本出现在所属关系网络图中的同一局部区域，以便于用户进行跨层比较时能够快速地检索同一节点。
[0096]
与本发明相对地，两种经典多关系社交网络布局方法：独立布局(图2(b))保持了很高的网络结构可读性，但是用户心理地图几乎被完全破坏，用户进行跨层比较的任务将十分艰巨；相同布局(图2(c))保持了完美的用户心理地图，但是网络结构可读性受到了严重影响，无法保证中心性高的节点被布局在图中央，布局中出现了大量边交叉情况。
[0097]
从图3可以观察到，随着连接密度由低到高，3种布局方式中的边交叉数量均成指数型增长趋势，这是网络图布局本身不可避免的自身性质。在连接密度较低时，本发明布局方式和独立布局方式的节点移动距离受连接密度影响明显，并在连接密度为0.4时，达到节点移动距离的最小值。在连接密度达到2以上后，多层网络力引导布局方式和独立布局方式的节点移动距离稳定下来，基本不再变动。本发明布局方式的节点移动距离相比于独立布局方式而言维持在了一个更低的水平，因此用户心理地图保持效果更好。
[0098]
图4中横轴表示图布局中的边交叉数，纵轴表示图布局中节点总移动距离。可以观察到，相比于独立布局方式，本发明方法布局牺牲了一些边交叉数量，而获得了节点移动距离的显著降低；相比于相同布局方式，本发明方法布局牺牲了一定节点移动距离，而获得了边交叉数的显著降低。本发明方法布局算法对多关系社交网络中网络结构可读性和用户心理地图保持的平衡作用是有效的。