作為一種普遍存在的數據結構,網絡總是被用來編碼許多應用領域中實體之間的關系,如社會學中人與人之間的社會關系、生物學中蛋白質之間的相互作用以及金融公司之間的交易等。隨著大數據時代的到來,網絡數據的收集和存儲能力日益提高,對大規(guī)模網絡數據進行深入而細致的分析,能夠有效了解和探索人類行為模式。然而,網絡數據的規(guī)模日益龐大、結構日趨復雜,為大規(guī)模網絡的研究帶來了一定的困難,尤其是在網絡分析、數據挖掘與可視分析等領域。例如,圖挖掘算法通常具有很高的計算復雜度,圖可視化方法也固有地受到所用算法的復雜性、屏幕空間、視覺雜波以及讀取數據時人類感知能力的限制。因此,通過對大規(guī)模網絡數據的高質量簡化表達來提高大規(guī)模網絡數據認知水平與分析能力的需求,變得尤為迫切。圖采樣技術是一種高效的數據約簡方法,被廣泛應用于簡化各種大規(guī)模網絡。但是,現有的圖采樣策略大多都是在傳統(tǒng)的網絡空間中進行,不僅采樣過程具有較高的計算復雜度,其采樣結果也具有較強的不確定性。而傳統(tǒng)的采樣結果評估通常是根據網絡數據的統(tǒng)計特征,如度分布、聚集系數等進行評價,難以直觀而快速地觀察網絡拓撲結構及其隱含語義關聯的變化。可以看出,傳統(tǒng)的圖采樣策略及...

【文章頁數】：60 頁

【學位級別】：碩士

【部分圖文】：

圖2-1GraRep算法示意圖

?綬治鮒校?帕τ諮芯咳綰魏俠淼乇硎就?韁械奶卣饜畔ⅲ℅oyal等，2017）。有關網絡表示學習的論文層出不窮，為本文的研究提供了豐富的基礎（涂存超等，2017）。較早的用于網絡表示學習的算法多是通過構建關系矩陣計算矩陣的特征向量。例如，GraRep算法（Cao等，2015）通過S....

圖2-2采樣算

8Sample，RES）將隨機選取網絡中的邊，對于選到的邊等概率地選擇其所連的節(jié)點或把兩個節(jié)點全都加入樣本集（Yoon等，2015），采樣結果如圖2-2（c）所示。但是其采樣結果往往會頻繁選擇高階節(jié)點，不能反映原始圖的結構。因此，隨機節(jié)點-邊采樣（RandomNode-Edge，....

圖2-3基于圖布局的網絡可視化

ò?ǎ翰季趾途劾唷?一個良好的圖布局，可以在有限的空間內有效的展示圖數據的分布情況，幫助用戶快速感知圖數據的結構信息（Ma和Muelder，2013；Kwon等，2017）。然而，對于大型、復雜的網絡結構，有效的布局很難創(chuàng)建。這是復雜網絡可視化的一個重要組成部分。例如，Gansn....

圖2-4基于像素的標量場示意圖

10進一步，有學者針對動態(tài)圖進行了布局設計（Daniel等，2011）。例如，Burch等（2011）為了解決大規(guī)模網絡圖中邊的過度繪制問題，應用了一種將邊轉換為基于像素的標量場的展開方法，如圖2-4所示。Hu等（2012）則設計了基于具有節(jié)點穩(wěn)定性的動態(tài)節(jié)點布局以保證良好的可讀....

本文編號：4026125