一种基于深度学习模型的布局偏好预测方法技术

人类偏爱于哪种布局算法生成的布局，其影响因素不仅包括人类的视觉感知和认知系统的复杂性，同时也包含图拓扑结构的多样性。为了系统地分析人类对布局的偏好，本发明专利技术公开了一种基于图神经网络的布局偏好预测方法，采用深度学习方案，以一对图布局的节点坐标作为输入，预测人类对输入对布局的偏好，其过程主要分为特征提取阶段和预测阶段。在特征提取阶段，使用局部特征网络提取各个节点的邻域信息，利用多层的卷积和池化操作分析布局的拓扑结构和节点信息，获得布局的全局特征；考虑布局中边特征的重要性，本发明专利技术还通过边特征网络在卷积过程中融合边的信息；在预测阶段中，本发明专利技术通过拼接前述两个网络所输出的全局特征向量，并输入到Siames网络分析两个向量间的差异，从而预测布局的偏好。从而预测布局的偏好。从而预测布局的偏好。

【技术实现步骤摘要】
一种基于深度学习模型的布局偏好预测方法


[0001]本专利技术涉及图布局评估领域，具体指一种基于深度学习(图神经网络)的图布局偏好预测方法。

技术介绍

[0002]随着信息技术的发展和各种社交网络的不断出现，复杂网络分析已成为最近几十年研究的热门课题，而图是对这些网络数据进行编码的常用表示形式。通过对图的挖掘和分析，有助于理解复杂的关系。但是在挖掘分析的过程中会存在一个问题，图一般会以数字的形式来存储，这就会大大限制人们对数据的理解程度。因此，通过对图的可视化就能够更好地展示数据的关系和结构信息，使人们更加深入的理解数据间的关系。
[0003]节点链接图是图可视化最常用的方法，其中节点被绘制为点，边被渲染为线段。在过去的几十年里，各种绘制节点链接图的算法相应被提出，主要有以下几种：力引导布局、降维布局、多层次布局。好的图布局可以在有限的空间展示大量的数据，也可以降低用户理解网络结构的难度。可视化的质量随布局算法不同而改变,因此如何评估一个好的布局至关重要。
[0004]一般来说，从美学的角度评估图布局的质量，即按照布局算法绘制的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习模型的布局偏好预测方法，其特征在于，包括以下步骤：S1、训练数据集获取，包括直接收集公共Rome图数据集，以及利用不同算法采样大型网络生成Sample图数据集，并应用不同布局算法分别为每个图生成布局数据；S2、数据预处理，包括布局数据的归一化以及布局的标签标注；根据参与者的布局偏好以及布局的美学指标，对生成的所有布局标注相应的标签，并且对所有布局数据进行标准化处理；S3、神经网络模型的构建，基于图神经网络和Siames模型，设计了两种特征提取网络结构，并以此构建一个偏好预测网络；S4、神经网络模型损失的构建，最小化模型的预测标签和人类偏好标签之间的差异，优化神经网络模型的参数；S5、神经网络模型的训练和优化，通过指标标签样本预训练模型，迁移到偏好标签样本进行微调，以此使用优化器优化模型参数；S6、保存模型及模型参数，当训练达到最大迭代次数或目标函数趋于平稳时，保存模型及模型参数。2.根据权利要求1所述的一种基于深度学习模型的布局偏好预测方法，其特征在于，步骤S1中从公共图数据集Rome选取节点数量在50到100的图作为第一个训练数据集；对大型网络采样生成节点数量在100到1000之间的Sample图作为第二个数据集；所使用的不同布局方法包括：FR、Stress Majorization、SFDP、FA2、PivotMDS。3.根据权利要求1所述的一种基于深度学习模型的布局偏好预测方法，其特征在于，步骤S2中采用用户调研，选取30个参与者对每个数...

【专利技术属性】
技术研发人员：吴向阳，刘小芝，金征雷，
申请(专利权)人：杭州瑞成信息技术有限公司，
类型：发明
国别省市：