著者
浙江財経大学:
- 劉裕華
- チャン・ルーミン
- 張静宇
- ピーク
- 高尚な
- Zhou Zhiguang (浙江大学 CAD&CG 国家重点研究所)
まとめ
ネットワーク グラフの視覚化は、ネットワーク ノード間の接続関係を効果的に表示でき、ソーシャル ネットワーク、ナレッジ グラフ、生物学的遺伝子ネットワークなどの多くの分野で広く使用されています。ネットワーク データの規模が継続的に増加するにつれて、大規模なネットワーク グラフ構造をどのように単純化して表現するかがグラフ視覚化の分野で研究のホットスポットになっています。古典的なネットワーク グラフの単純化視覚化手法には、主にグラフ サンプリング、エッジ バインディング、およびグラフ クラスタリング テクノロジが含まれます。しかし、上記の方法はネットワークグラフの位相構造に主に焦点を当てており、多変量グラフのノードの多次元属性特性を考慮して利用することがほとんどなく、意味情報を効果的に抽出して表現することが困難であるため、大規模多変量ネットワークのトポロジー構造と多次元属性との間の内部関係を理解するのに役立ちず、大規模多変量グラフの認識と理解に苦痛をもたらしている。そこで本論文では,強化されたセマンティクスを備えたマルチスケール多変量グラフの簡略化された可視化手法を提案する.まず,モジュール性に基づくグラフクラスタリングアルゴリズムに基づいてネットワークグラフの階層構造を抽出し,次に,多次元属性情報エントロピーの計算と比較分析を通じて,ネットワーク階層構造を適応的に分割し,最適な属性集約特性を持つコミュニティを選別し,次に,位相構造,階層構造を表示するために複数のインタラクティブなビューを設計するコミュニティ間の関係と属性分布を分析し、ユーザーがコミュニティの形成とネットワークの進化における多次元属性の役割をさまざまな観点から分析できるようにします。多くの実験結果は、この論文の方法が大規模な多変量グラフの視覚的表現を効果的に単純化でき、さまざまな応用分野で大規模な多変量グラフの関連構造と意味的構成を迅速に分析でき、強力な実用性を備えていることを示しています。
序章
従来の大規模ネットワークグラフの簡略化・可視化手法では、ネットワークノードの多次元属性情報を最大限に活用することが困難でした。
助ける：
- 多次元属性情報を考慮して,ネットワーク階層のための適応分割アルゴリズムを提案した。
- マルチスケールのコミュニティ グループの場合、従来の力指向図、階層構造図、サンキー図を最適化および改善します。
- 上記の方法と設計を統合して、多変量ネットワーク グラフの視覚分析システムが開発されました。
関連作業
- グラフサンプリングに基づく簡略化された手法
- グラフノードのサンプリング
- エッジサンプリング
- トラバーサル サンプリング戦略 (DFS、BFS、Snow-Ball、Forest Fire、ランダム ウォーク サンプリング)
- エッジバインディングに基づいた簡略化された方法
- グラフクラスタリングに基づく簡略化された手法
システムプロセスの概要
セマンティック強化された大規模多変量グラフ クラスタリング
セマンティック強化された大規模グラフにより視覚的分析が簡素化
結果の評価
Sina Weibo (API 追跡および転送データ、職業、地域、年齢)
論文の引用 (分野、出版時期)
専門家のフィードバックとユーザー実験
概要と展望
この論文では、大規模な多変量グラフに対する意味的に強化された簡略化された視覚的分析方法を提案します。
考え
クリティカルシンキング:
属性グループ化戦略が異なると、コミュニティ集計結果も異なり、
数千万のデータを処理できなくなります
創造的思考:
現在は色分けが使用されており、形状やテクスチャなどの
マルチレベルのインタラクション方法が検討可能です
。 並列処理フレームワークとクラスターを使用します。
私たちの仕事への応用方法:
この記事のデータ処理、モデル計算、システム設計の部分は学ぶ価値があります。