558
个编辑
更改
跳到导航
跳到搜索
第323行：
第323行： − + 第406行：
第406行： +
→二维坐标可视化
===二维坐标可视化===
===二维坐标可视化===
====Bigbang algorithm====
====Bigbang algorithm====
[[文件:MDS方法.png|缩略图]]
[[文件:印第安纳大学.png|缩略图]]
在论文《A Geometric Representation of Collective Attention Flows》中，研究者采用了简化版 BigBang 算法，将网站之间的流距离嵌入到高维欧几里得空间中，从而构建集体注意力流的几何表征。
在论文《A Geometric Representation of Collective Attention Flows》中，研究者采用了简化版 BigBang 算法，将网站之间的流距离嵌入到高维欧几里得空间中，从而构建集体注意力流的几何表征。
BigBang算法的目标是：给定一组节点之间的目标距离，在 <math>d</math> 维欧几里得空间中为每个节点分配一个坐标，使嵌入空间中的欧氏距离尽可能接近原始距离。
BigBang算法的目标是：给定一组节点之间的目标距离，在 <math>d</math> 维欧几里得空间中为每个节点分配一个坐标，使嵌入空间中的欧氏距离尽可能接近原始距离。
====MDS====
====MDS====
[[文件:MDS方法.png|缩略图]]
于对称流距离<math>c_{ij}</math>（该距离综合考虑了节点<math>i</math>与<math>j</math>之间相互流动的强度与方向性），我们的目标是在一个欧几里得空间中找到每个网站节点的一个几何映射（或称“几何图像”），使得在该空间中任意两个节点之间的欧几里得距离，能够尽可能准确地拟合它们之间预先计算的流距离<math>c_{ij}</math>。
于对称流距离<math>c_{ij}</math>（该距离综合考虑了节点<math>i</math>与<math>j</math>之间相互流动的强度与方向性），我们的目标是在一个欧几里得空间中找到每个网站节点的一个几何映射（或称“几何图像”），使得在该空间中任意两个节点之间的欧几里得距离，能够尽可能准确地拟合它们之间预先计算的流距离<math>c_{ij}</math>。