一种量化评价MSV的边级视觉混杂程度指标计算方法技术

本发明专利技术公开了一种量化评价MSV的边级视觉混杂程度指标计算方法，包括以下步骤：1)获取MSV中的任意一条边e，并计算其不可区分的像素距离值IPD，从边e的中心位置向左右方向分别扩展IPD的宽度，形成不可区分的像素区域IPA；2)将IPA中与边e相互交错的边加入交错边集合；3)对交错边集合按节点顺序进行分解，得到若干等距且相邻的节点对集合，利用并集操作消除重叠覆盖，得到消除重叠覆盖的交错边集合；4)根据消除覆盖的交错边集合与节点对集合计算边e的视觉混杂程度指标。本发明专利技术对MSV中边的视觉混杂程度进行定量评价，有助于为后续边采样工作提供可靠依据，进而有助于减少MSV中的视觉混杂程度，提高其可读性。

【技术实现步骤摘要】
一种量化评价MSV的边级视觉混杂程度指标计算方法
本专利技术涉及动态网络可视化中大规模序列视图(MSV)的可视优化领域，特别涉及一种量化评价MSV的边级视觉混杂程度指标的计算方法。
技术介绍
网络(Network)也称作图(Graph)，通常一切具有关系的实体都可以抽象成一个网络(图)，即实体被抽象成节点，实体之间的关系被抽象成边。根据网络是否会随着时间发生变化，可分为静态网络和动态网络。动态网络主要用来表示网络中的节点及节点间关系随时间变化的情况。为高效、直观地帮助人们理解时变网络的行为信息，常见的做法是通过可视化技术对动态网络中的数据实现符合美学标准的视觉映射和布局设计。MSV是一种经典的动态网络可视化技术，被广泛应用于分析动态社交网络和程序执行跟踪。在MSV中，用水平线表示动态网络的节点，其在纵轴上等距；用横轴表示网络存在的时间。当时刻t存在从节点a到b的瞬时关系，则在t的垂线位置作以a为起点，b为终点的垂线。由于MSV支持任意细粒度的可视化并可保留用户的心理地图，所以易于用户从节点对到全局网络对通信趋势进行观察与分析。然而，MSV容易受到可视混杂的影响。在动态网络中，当多条边出现在相近但不完全相同的时刻，在进行边的绘制时，如果屏幕横向空间无法提供足够的像素，就会导致边重叠引起的视觉混杂。视觉混杂会使MSV的整体可读性下降，造成人们对网络通信的时变趋势理解困难。为解决该问题，一些技术对MSV做出改进。过滤技术和缩放技术提供细节和像素化的视图来显示选定的时间和节点，但无法对全局进行清晰描述。反锯齿技术可以减少由于过度绘制边缘而导致的视觉混乱，但无法优化重叠边。弯曲连接技术可避免边缘重叠，但是会造成边的交叉。到目前为止，节点排序策略是改进MSV的最佳技术，但是当节点之间的通信密集且不规律时，很难得到满意结果。并且，动态网络的网络结构是动态演化的，而不是如静态网络一样固定不变。现有的边采样技术的关注点为如何均匀随机地对静态图进行采样，即采样过程中考虑保留的是重要的静态属性。因此，这些边采样技术不适用于动态网络，更不能在采样后有效保留动态网络的结构。
技术实现思路
为了解决现有边采样技术大多考虑的是静态图采样，极少有考虑动态图采样的算法。并且，现有MSV改进技术都不是利用采样来完成的，且改进后的结果都会引入新的缺陷(如引入边交叉等)的问题。本专利技术提供一种量化评价MSV的边级视觉混杂程度指标计算方法，能够实现在MSV中对动态网络直接进行边级评估，并且能够定量的衡量MSV中一条边所在屏幕位置的视觉混杂程度。利用该指标作为MSV边采样的依据，可有效降低MSV视图的混杂程度，极大程度的提高视图的可读性，从而帮助工作人员理解网络通信的时变趋势，节省其网络探索的时间。本专利技术为解决上述问题所采用的技术方案为：一种量化评价MSV的边级视觉混杂程度指标计算方法，包括以下步骤：步骤1)：将动态网络描述为一个有向图并以MSV视图的形式实现可视化，选取其中任意一条边e，求出e在横轴上的位置，然后从中心位置分别向左右各扩展一个不可区分的像素距离的宽度，以MSV视图高度为高度，形成一个矩形区域，即不可区分的像素区域IPA；步骤2)：以MSV视图左上角为坐标系原点，且以边e在纵轴偏上的端点所在的节点作为起始节点，偏下的端点所在的节点作为终点节点，然后找出所有部分或全部处于边e的IPA内且与边e产生了重叠的其他边，将这些边归类于边e的交错边并置于交错边集合EOS中；步骤3)：将EOS中的边按照节点顺序进行分解，分解后得到若干个等距且直接相邻的节点对组成的集合ED(e)，然后利用并集操作消除重叠的覆盖，得到消除重叠覆盖的EOS边集EOS*(e)；步骤4)：计算边e的视觉混杂程度指标EOD，其EOD为其中|·|为求集合元素个数操作，vp，vq分别为边e的两个端点。所述的方法，所述步骤1)中，将动态网络描述成一个有向图G＝(V，E)包括以下步骤：步骤1.1)根据动态网络原始数据中出现的所有节点记录，构建一个节点集合V；步骤1.2)根据步骤1.1)中的节点集合V，以及动态网络原始数据中任意节点间边的出现时间集合T，构建边集合E，边以两个节点作为端点，故该边集合E中的元素表示为(vi，vj，t)，vi和vj分别表示这条边的两个端点，t表示这条边出现的时间。所述的方法，所述步骤1)中，计算边e在横轴上的中心位置HP(e)为：WMSV表示MSV中绘制整个采样区域的宽度，即时间轴长度，tmin和tmax表示绘制在MSV中动态网络的开始和结束时间，te为边e的出现时间。所述的方法，所述步骤1)中，IPA的计算包括以下步骤：步骤1.3)采用以下公式计算边e的不可区分的像素距离：其中，Weage表示绘制边edge的宽度，ceil()为向上取整函数，ρ为调节IPD大小的用户自定义参数，取不小于1的整数；步骤1.4)边e的IPA为以其所在的x轴位置为中心，向左右各扩展IPD个像素形成的矩形区域，该矩形区域的高为MSV画布的高度HMSV，宽度以如下区间表示：[HP(e)-IPD，HP(e)+IPD]。所述的方法，所述步骤2)中，找出边e的交错边的步骤为：根据边e的IPA中其他边的顶点与边e的顶点的关系来确定交错边，交错边为满足(VPbegin(e)＜VPbegin(ei)＜VPend(e))，或者同时满足(VPbegin(e)＜VPend(ei)＜VPend(e))、(VPbegin(ei)＜VPbegin(e)＜VPend(ei))和(VPbegin(ei)＜VPend(e))的边，其中VPbegin()为起始节点，VPend()为终点节点，ei为其它边。所述的方法，所述步骤3)中，设边e的两个节点分别是vi和vj。则所述的集合ED(e)表示为ED(e)＝{(vi，vi+1)，(vi+1，vi+2)，...，(vi+n，vj)}，其中节点vi+1，vi+2，...，vi+n是位于节点vi和vj之间的所有节点，并且vi，vi+1，vi+2，...，vi+n，vj在MSV纵轴方向上的位置逐渐变高。所述的方法，所述步骤3)中，利用并集操作消除重叠的覆盖是：对于节点为(vi，vj)的边e，其消除重叠覆盖的EOS边集为EOS*(e)＝ED(ei1)∪ED(ei2)∪...∪ED(ein)，其中ei1，ei2，...，ein∈EOS(vi，vj，e)。；本专利技术提供了一种量化评价MSV的边级视觉混杂程度指标，首先获取MSV中的任意一条边e作为关注边，确定其中心位置，并计算其不可区分的像素距离值，对边e的中心位置向左右方向分别扩展该像素距离的宽度，形成一个矩形区域，即不可区分的像素区域；然后将该像素区域中的其他边与边e的顶点进行比较，将与边e交错的边加入交错边集合；对交错边集合按节点顺序进行分解，得到若干等距且相邻的节点对集合，利用集合并操作消除重叠覆盖，得到消除重叠覆盖的交错边集合；根据消除覆盖的交错边集合与节点对集合计算边e的视觉混杂程度指标。该指标对MSV中的边的视觉混杂程度进行了定量评价，有助于为后续边采样工作提供可靠依据，进而有助于减少MSV中的数据额混杂程度，提高MSV的可读性。附图说明图1为本专利技术实施的流程图；图2为IPA和EOD的说明图；图3为原始未采样本文档来自技高网...

【技术保护点】
1.一种量化评价MSV的边级视觉混杂程度指标计算方法，其特征在于，包括以下步骤：步骤1)：将动态网络描述为一个有向图并以MSV视图的形式实现可视化，选取其中任意一条边e，求出e在横轴上的位置，然后从中心位置分别向左右各扩展一个不可区分的像素距离的宽度，以MSV视图高度为高度，形成一个矩形区域，即不可区分的像素区域IPA；步骤2)：以MSV视图左上角为坐标系原点，且以边e在纵轴偏上的端点所在的节点作为起始节点，偏下的端点所在的节点作为终点节点，然后找出所有部分或全部处于边e的IPA内且与边e产生了重叠的其他边，将这些边归类于边e的交错边并置于交错边集合EOS中；步骤3)：将EOS中的边按照节点顺序进行分解，分解后得到若干个等距且直接相邻的节点对组成的集合ED(e)，然后利用并集操作消除重叠的覆盖，得到消除重叠覆盖的EOS边集EOS*(e)；步骤4)：计算边e的视觉混杂程度指标EOD，其EOD为

【技术特征摘要】
1.一种量化评价MSV的边级视觉混杂程度指标计算方法，其特征在于，包括以下步骤：步骤1)：将动态网络描述为一个有向图并以MSV视图的形式实现可视化，选取其中任意一条边e，求出e在横轴上的位置，然后从中心位置分别向左右各扩展一个不可区分的像素距离的宽度，以MSV视图高度为高度，形成一个矩形区域，即不可区分的像素区域IPA；步骤2)：以MSV视图左上角为坐标系原点，且以边e在纵轴偏上的端点所在的节点作为起始节点，偏下的端点所在的节点作为终点节点，然后找出所有部分或全部处于边e的IPA内且与边e产生了重叠的其他边，将这些边归类于边e的交错边并置于交错边集合EOS中；步骤3)：将EOS中的边按照节点顺序进行分解，分解后得到若干个等距且直接相邻的节点对组成的集合ED(e)，然后利用并集操作消除重叠的覆盖，得到消除重叠覆盖的EOS边集EOS*(e)；步骤4)：计算边e的视觉混杂程度指标EOD，其EOD为其中|.|为求集合元素个数操作，vp，vq分别为边e的两个端点。2.根据权利要求1所述的方法，其特征在于，所述步骤1)中，将动态网络描述成一个有向图G＝(V，E)包括以下步骤：步骤1.1)根据动态网络原始数据中出现的所有节点记录，构建一个节点集合V；步骤1.2)根据步骤1.1)中的节点集合V，以及动态网络原始数据中任意节点间边的出现时间集合T，构建边集合E，边以两个节点作为端点，故该边集合E中的元素表示为(vi，vj，t)，vi和vj分别表示这条边的两个端点，t表示这条边出现的时间。3.根据权利要求1所述的方法，其特征在于，所述步骤1)中，计算边e在横轴上的中心位置HP(e)为：WMSV表示MSV中绘制整个采样区域的宽度，即时间轴长度，tmin和tmax表示绘制在MSV中动态网络的开始和结束时间，te为边e的出现时间。4.根据权利要求3所述的方法，其特征在于...

【专利技术属性】
技术研发人员：赵颖，蒋昊瑾，佘燕敏，陈文江，刘家玮，周芳芳，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43