一种基于聚合矩阵的多层社交网络可视化方法及系统

这项创新属于社交网络图形化范畴，详细阐述了一种依托集合矩阵的立体社交网络图形化技术及其配套装置。

背景技术：

社交网络呈现为图形形式，借助特定工具和技术完成，节点与关联得以可视化展现，节点属性通过色彩、形态及尺寸差异体现，边的特征亦采用相似方式标示，最终目的是清晰揭示社交网络的整体构造及其内在特质。这种图像呈现手段有助于人们更清晰的认识并剖析社交图谱里的关联形态，它备有众多筛选条件和标记功能用以调控图像的构成要素，同时还能实现网络构造的即时交互式检视与考察。

社交网络可视化十分关键，它具备直观、迅捷、多变和见微知著的特点。借助数据可视化技术，比如网络可视化、连线分析或图形化呈现，能更清晰地揭示数据间的关联和规律，便于使用者迅速捕捉动向、规律及特殊情况。

矩阵具有优良的计算特性，常被用作处理多层社交网络数据的工具，在相关研究中被广泛采用。当前，超邻接矩阵已成为最普遍的多层社交网络矩阵模型。在网络拓扑分析领域，矩阵式呈现方式可以防止图形界面因连线繁多而显得杂乱无章，这种形式在基础性研究和大规模图对比工作中已被证实更为实用，所以它特别适合用来展示包含大量节点和密集连接的复杂社交网络结构。单层社交网络矩阵的可视化研究已经非常完善，而多层社交网络矩阵的可视化研究则相对较少。

当前研究大多通过分层展示多层网络各层邻接矩阵来进行呈现，这主要是因为这些研究主要面向动态网络的可视化需求。虽然动态网络属于多层网络的一种类型，但它基于时间维度而非网络类型来进行分层处理，因此展现出明显的时间序列特征。按时间顺序逐个展示关联矩阵，有助于人们审视网络中特定构造和形态的变迁过程，却妨碍了深入分析跨维度复合构造和形态的可能性。人们必须投入较多精神力量，才能将不同维度资讯整合关联，特别是针对多层社交网络，网络维度属于归类资料而非时间序列资料，任何维度组合都可能形成跨维度复合构造和形态。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

本发明的目标之一是提出一种利用聚合矩阵实现的多层社交网络图形化技术，这种技术能够协助用户研究各种维度组合所形成的多层社交网络结构及其模式，通过图形化手段展现出来。

本发明的另一个目标在于呈现一种系统，该系统能够达成基于聚合矩阵的多层社交网络的可视化方案。

本发明介绍一种利用聚合矩阵进行多层社交网络的可视化技术，具体步骤如下：

4、s1.获取社交信息数据集；

依据步骤s1所获的社交资讯集合，着手创建一个多级社交图谱，各个层级之间相互关联。

根据步骤s2所形成的多层社交网络结构，确定向量色彩对应关系，以此作为映射方案

根据步骤s2所构建的多层社交网络，首先随机设定节点的起始排列顺序，然后借助启发式方法反复进行迭代改进，最终确定节点的最终排列结果。

依据步骤s3生成的色彩对应方案，以及步骤s4确定的最终节点排列顺序，建立聚合矩阵的可视化图表，从而实现多层社交网络的可视化呈现。

步骤s2具体包含以下内容：首先，从社交信息数据集中获取社交网络中关系类型的数量n以及总体上的个体数目m，接着，针对每一个个体，分别创建n个属于不同关系类型的节点副本，并且在这些节点副本中记录该个体在对应关系类型下的详细信息，各个节点副本所承载的信息各自独立且对应特定的关系类型

对于任意存在于两个对象之间的联系，在对应联系种类中，两个对象关联的节点镜像直接构成一条有向连线，

该多层社交网络由所有节点副本及其相互连接的有向边所构成的多层节点链接图表示；借助n维0-1向量来体现多层社交网络中节点对之间n种关系类型的连接状况。

12、步骤s3具体包括以下步骤：

计算所有n维0-1向量的差异值，运用特定的公式来求解，

14、

这包括，a代表多层社交网络里任意两个节点组合，b代表多层社交网络里与a不同的任意两个节点组合爱游戏app官方网站登录入口，va是节点对a对应的特征向量，vb是节点对b对应的特征向量，是节点对a在多层社交网络第i层的连接状况，是节点对b在多层社交网络第i层的连接状况，是异或运算结果

在cie lab色彩体系中，设定2的n次方个n维0-1向量作为基础配色方案c'，其具体表达式为以下公式：

17、

其中，ci代表第i个n维0-1向量的色彩值，为第i个n维0-1向量的明暗程度，是第i个n维0-1向量的红绿分量，是第i个n维0-1向量的黄蓝分量，需要确定n维向量

0,0,...,0

的颜色表示为(0,0,0)，n维向量

1,1,...,1

其色彩设定为(180,0,0)，其余(2n-2)个n维0-1向量则采用随机色彩值进行初始化

依据步骤b生成的初始色彩搭配c'，需借助特定公式来求出每对色彩间的色差值δe{ci,cj}

20、

依据步骤a获得n维0-1向量，再结合步骤c得出各颜色对的色差，通过特定公式来求取损失函数值

22、

其中，u和v是所有n维0-1向量里任意两个不相同的向量，k是一个常数，其值为180除以n，而n代表多层社交网络中的节点总数

依据步骤d所获的损失函数，借助特定公式来求取损失函数的梯度值，具体计算方法如下：

25、

依据步骤e所计算出的损失函数的梯度，对初始配色方案c'进行反复修正，持续更新配色方案，直至损失函数的梯度值变为零，最终得到配色方案c。

27、步骤s4包括以下步骤：

依照步骤s2构建的多层社交网络，随机生成节点的初始排列sinit，以此作为当前的排序方式，

29、b.采用以下算式计算当前排序的损失函数p：

30、

其中，vi和vj分别代表多维度社交图谱里节点i和节点j各自的特征序列爱游戏ayx官网登录入口，二者通过向量形式展现出来，彼此之间可以相互参照。

对步骤a生成的当前排序，重复k次，随机互换两个节点的位置，从而形成新的节点排序s'，每生成一个新排序后，都要对比当前排序与新排序的损失函数值，如果新排序的损失函数值小于等于当前排序的损失函数值，就将新排序作为当前排序，否则，需要计算接受新排序为当前排序的概率u，由计算机根据该概率决定是否接受新排序，计算该概率u的公式如下

33、

其中，当前节点排序的损失函数值是p(s)；新节点排序的损失函数值是p(s')；k是预先设定的数值；t代表当前算法所处的温度；新算法的温度t'依照特定的公式进行计算

35、t'＝tα

其中，α代表一个固定数值，且该数值介于零与一之间；在算法的起始阶段，初始温度设定为t0值；每当依照前述公式更新算法当前温度t之后，需要对这个温度值实施如下检测

当前算法温度t若低于预设的终止温度tmin，则输出当前节点排序s作为最终节点排序，否则继续执行步骤c，直至当前算法温度t达到或超过预设的结束温度tmin。

步骤s5具体操作如下：依据步骤s3形成的配色方案c，结合步骤s4确定的最终节点排序，将各个节点依照最终节点排序在矩阵的行和列上依次分布，从而形成聚合矩阵的可视化图形，矩阵中的每个单元格都按照配色方案c进行着色处理。

集合数组里第i条记录与第i条字段关联着结果节点排列中第i位那个节点；集合数组里第i条记录第j条字段关联着结果节点排列中第i位与第j位两个节点之间的特征向量数据。

本发明还提供一种系统，用于达成基于聚合矩阵的多层社交网络可视化方法，该系统包含多个组成部分，具体有数据采集单元、多层社交网络构建单元、向量色彩对应方案计算单元、最终节点排序获取单元以及多层社交网络可视化单元；

数据采集单元采集社交信息集合，随后将信息传送至多层社交平台架构单元，

构建多层社交网络体系，需要依据获取的信息，随后将数据传送至向量颜色映射方案计算单元，以便进行计算处理。

向量色彩转换方法依据输入信息，得出色彩转换方案爱游戏最新官网登录入口，同时将信息传送至末端节点排序处理单元，

最终节点排序模块依据输入信息，任意产生节点初始序列，接着借助经验式方法反复改善计算，从而得到最终节点序列，同时把信息传送给多层社交网络展现模块

该模块依据所获信息，生成聚合矩阵的视觉表现，继而达成多层社交网络的可视化目标。

本发明介绍了一种利用聚合矩阵实现多层社交网络可视化，以及配套的系统方案，针对当前技术无法有效呈现多层社交网络中各维度组合矩阵的可视化难题，采用启发式算法对节点进行排序，降低了信息传递的损耗，从而获得了更为理想的视觉效果。