【技术实现步骤摘要】
一种基于社区发现与聚类优化的力导向图布局方法
[0001]本专利技术涉及图数据的可视化布局
，具体涉及一种基于社区发现与聚类优化的力导向图布局方法。
技术介绍
[0002]可视化布局可以将数据转换成图形或图像在屏幕上显示出来并提供交互，从而对数据中的有效、有价值的信息进行直观地展示，这对数据的分析、挖掘会起到重要作用。对于不同类型的数据，可视化布局需要将其转换成不同类别的图形，从而形成不同类型的图表。
[0003]图数据是一种体现复杂的数据实体和数据关系的数据，存在于社交网络，生物网络、移动设备联通网络、金融交易网络等领域中。图数据的数据模型可以看作节点和边的集合，并通常可以用公式表达为如下形式：G＝<V，E>，其中，V(vertex)代表数据模型中的节点，体现数据的实体，可包含实体属性(表现为键值对)；E(edge)代表数据模型中的边，总是从一个起始节点(source)到一个结束节点(target)，体现实体间的关系，可以包含属性和方向。通过图数据能够构建各种场景下的数据关系模型，...
【技术保护点】
【技术特征摘要】
1.一种基于社区发现与聚类优化的力导向图布局方法，其特征在于，该方法包括如下步骤：步骤1：将需要利用可视化布局进行数据分析的原始数据转化为相应的图数据；步骤2：将步骤1获得的原始图数据中的节点划分为叶子节点和非叶子节点，将每个非叶子节点视为一个社区，同时对叶子节点进行压缩，获得压缩图数据；步骤3：对步骤2得到的压缩图数据进行传统Louvain算法第一阶段时的最大化模块度的社区发现过程；步骤4：对步骤3更新的图数据利用选择性的社区合并代替传统Louvain算法第二阶段中迭代的社区合并过程，减少所述传统Louvain算法第二阶段产生的计算量；步骤5：对步骤4中得到的社区结构及对应的图数据，利用ComboForce布局算法实现基于聚类优化的力导向图布局。2.根据权利要求1所述的基于社区发现与聚类优化的力导向图布局方法，其特征在于，所述图数据由节点和边构成。3.根据权利要求2所述的基于社区发现与聚类优化的力导向图布局方法，其特征在于，所述步骤2包括如下步骤：步骤2.1：遍历原始图数据中各个节点，将度不为1的节点定义为非叶子节点并将每个非叶子节点视为一个社区，将度为1的节点定义为叶子节点且将遍历到的叶子节点分配至其邻居节点所属的社区；步骤2.2：遍历各个社区包含的节点个数，对节点个数大于1的社区进行压缩，将原始图数据更新为此步骤压缩形成的新图；步骤2.3：对所述新图重复执行步骤2.1与步骤2.2，迭代至图中没有需要压缩的叶子节点，也即社区分配结果不再变化，返回此时的图数据及其各节点的社区分配情况。4.根据权利要求3所述的基于社区发现与聚类优化的力导向图布局方法，其特征在于，所述对节点个数大于1的社区进行压缩的方法为：用一个新的节点代替节点个数大于1的社区中的所有节点，并继承所属社区内部的边权重和所属社区外部的边权重。5.根据权利要求3所述的基于社区发现与聚类优化的力导向图布局方法，其特征在于，所述步骤4包括如下步骤：步骤4.1：采用步骤2所述的图压缩方法，对步骤3所述社区发现过程获得的社区结构进行图压缩的预处理；步骤4.2：将进行预处理后的图数据中的每个节点都视为一个独立的社区并遍历各节点且将遍历的各节点区分为种子节点和非种子节点；步骤4.3：将遍历到的非种子节点分配到属于种子节点集合的邻居节点所在的社区，进行传统Louvain算法第一阶段的基于模块度变化量ΔQ进行社区分配的相关计算，若此计算能够得到新的社区分配方式，记录此分配方式的社区结构后跳至步骤4.5，否则继续执行步骤4.4；步骤4.5：继续遍历下一个非种子节点，循环回步骤4.3，直至遍历完集合中的所有非种子节点，此时获得模块度Q不再增加且保证模块度Q近似最大的社区结构，保存此社区结构。6.根据权利要求5所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。