時序圖
?時序圖是一種UML交互圖及序列圖，通過描述對象之間發(fā)送消息的時間順序顯示多個對象之間的動態(tài)協(xié)作。它可以表示用例的行為順序，當(dāng)執(zhí)行一個用例行為時，其中的每條消息對應(yīng)一個類操作或狀態(tài)機(jī)中引起轉(zhuǎn)換的觸發(fā)事件。
時序圖中包括如下元素：角色，對象，生命線，控制焦點(diǎn)和消息。
1、角色（Actor）
系統(tǒng)角色，可以是人或者其他系統(tǒng)，子系統(tǒng)。
2、對象(Object)
對象代表時序圖中的對象在交互中所扮演的角色，位于時序圖頂部和對象代表
類角色。
對象一般包含以下三種命名方式：
第一種方式包含對象名和類名。
第二種方式只顯示類名不顯示對象名，即為一個匿名對象。
第三種方式只顯示對象名不顯示類名。
3、生命線(Lifeline)
生命線代表時序圖中的對象在一段時期內(nèi)的存在。時序圖中每個對象和底部中心都有一條垂直的虛線，這就是對象的生命線，對象間 的消息存在于兩條虛線間。
4、控制焦點(diǎn)(Activation)
控制焦點(diǎn)代表時序圖中的對象執(zhí)行一項(xiàng)操作的時期，在時序圖中每條生命線上的窄的矩形代表活動期。它可以被理解成C語言語義中一對花括號“{}”中的內(nèi)容。
5、消息(Message)
消息是定義交互和協(xié)作中交換信息的類，用于對實(shí)體間的通信內(nèi)容建模，信息用于在實(shí)體間傳遞信息。允許實(shí)體請求其他的服務(wù)，類角色通過發(fā)送和接受信息進(jìn)行通信。
結(jié)構(gòu)
時序圖描述對象是如何交互的，并且將重點(diǎn)放在消息序列上。也就是說，描述消息是如何在對象間發(fā)送和接收的。時序圖有兩個坐標(biāo)軸：縱坐標(biāo)軸顯示時間，橫坐標(biāo)軸顯示對象。每一個對象的表示方法是：矩形框中寫有對象和 / 或類名，且名字下面有下劃線；同時有一條縱向的虛線表示對象在序列中的執(zhí)行情況(即發(fā)送和接收的消息對象的活動) ，這條虛線稱為對象的生命線。對象間的通信用對象的生命線之間的水平的消息線來表示，消息線的箭頭說明消息的類型，如同步，異步或簡單。瀏覽時序圖的方法是，從上到下查看對象間交換的消息，分析那些隨著時間的流逝而發(fā)生的消息交換。
時序圖中的消息可以是信號、操作調(diào)用或類似于C++ 中的RPC（ Remote Procedure Call,遠(yuǎn)程過程調(diào)用）或Java中的RMI（ Remote Method Invocation ，遠(yuǎn)程方法調(diào)用）。當(dāng)對象接收到一個消息時，該對象中的一項(xiàng)活動就會啟動，我們把這一過程稱做激活（ Activation ）。激活會顯示控制焦點(diǎn)，表明對象在某一個時間點(diǎn)開始執(zhí)行。一個被激活的對象或者是執(zhí)行它自身的代碼，或者是等待另一個對象的返回（該被激活的對象已經(jīng)向另一個對象發(fā)送了消息）。在圖形上，激活被繪制為對象生命線上的一個瘦高矩形。
消息可以用消息名及參數(shù)來標(biāo)識。消息還可帶有條件表達(dá)式，表示分支或決定是否發(fā)送消息。如果用于表示分支，則每個分支是相互排斥的，即在某一時刻僅可發(fā)送分支中的一個消息。消息也可以有順序號，但是在時序圖中，消息的順序號很少使用，因?yàn)闀r序圖已經(jīng)將消息的順序顯式地表示出來了。
一個對象可以通過發(fā)送消息來創(chuàng)建另一個對象，當(dāng)一個對象被刪除或自我刪除時，該對象用 "X"標(biāo)識。
創(chuàng)建步驟
1、確定交互過程的上下文；
2、識別參與過程的交互對象；
3、為每個對象設(shè)置生命線；
4、從初始消息開始，依次畫出隨后消息；
5、考慮消息的嵌套，標(biāo)示消息發(fā)生時的時間點(diǎn)，則采用FOC（focus of control）；
6、說明時間約束的地點(diǎn)。
影響算法 編輯本段
時序圖影響力最大化問題，即在時序圖上尋找K個頂點(diǎn)使得信息最大化的傳播。傳播模型的選擇和節(jié)點(diǎn)間傳播概率的計算是影響力最大化問題的基礎(chǔ)，由于基于靜態(tài)圖的IC(Independent Cascade model)傳播模型無法應(yīng)用于時圖，因此首先對 IC 模型進(jìn)行改進(jìn)提出了ICT(Independent Cascade model on Temporal Graph)傳播模型，使信息可以通過ICT傳播模型在時序圖上進(jìn)行傳播。而后通過改進(jìn)PageRank算法來進(jìn)行計算節(jié)點(diǎn)間的傳播概率。然后在此基礎(chǔ)上將時序圖影響力最大化問題分為兩步來進(jìn)行實(shí)現(xiàn)。
動態(tài)圖最大化算法
通過對基于靜態(tài)圖的影響力最大化算法的研究并改進(jìn)，從而將影響力最大化問題的研究對象由靜態(tài)圖轉(zhuǎn)移到動態(tài)圖上去，并提出了可以解決動態(tài)圖影響力最大化問題的算法。
首次在動態(tài)圖上進(jìn)行了影響力最大化問題的研究。其中對SKIM 算法進(jìn)行改進(jìn)將其適用于動態(tài)圖的影響力最大化問題的實(shí)現(xiàn)。其采用反向可達(dá)采樣方法首先采樣處多個采樣集合，通過采樣集合來找出種子節(jié)點(diǎn)集合，而后圖中會有節(jié)點(diǎn)的添加或刪除操作，通過計算節(jié)點(diǎn)的刪除或添加對當(dāng)前采樣集合的影響來重新計算種子節(jié)點(diǎn)集合。由于其完全沒有考慮節(jié)點(diǎn)間聯(lián)系的因素，且是以全局的角度來研究時序圖影響力最大化問題，其間并無節(jié)點(diǎn)增刪的操作，所以研究方法無法解決所研究的問題。則是使用的一種新的窗口滑動的模型來研究動態(tài)圖上的實(shí)時影響力最大化問題，其研究思路為設(shè)置一個時間窗口w，將節(jié)點(diǎn)間的聯(lián)系看作一個action，并將這些 action 按照時間的先后順序存放在w中。窗口w會隨著時間向下滑動，此時便涉及到新的action的進(jìn)入和舊的action的退出(因?yàn)榇翱诘拇笮∈强梢匀藶樵O(shè)定的)，根據(jù)節(jié)點(diǎn)的進(jìn)入和退出，來判斷是否需要對在上一個時間段所求出的窗口中的種子節(jié)點(diǎn)進(jìn)行重新計算。而由于是從全局的角度在時序圖上研究影響力最大化問題，所以研究思路也無法解決所要研究的問題。
時序圖
時序圖和靜態(tài)圖的本質(zhì)上的不同是時序圖在邊的權(quán)重上加入了時間戳這一因素。靜態(tài)圖上的邊一旦存在便不會因時間的變化而改變，而在時序圖中，邊會因時間的變化在兩種狀態(tài)下相互轉(zhuǎn)化：激活狀態(tài)和非激活狀態(tài)。時序圖中頂點(diǎn)間只在邊處在激活狀態(tài)下時是存在聯(lián)系的。
在現(xiàn)實(shí)生活中有很多常見的網(wǎng)絡(luò)都可以描述為時序圖。(1)點(diǎn)對點(diǎn)通信網(wǎng)絡(luò)：如電子郵件、手機(jī)短信等。(2)一對多的消息傳播網(wǎng)絡(luò)：在這種網(wǎng)絡(luò)中注重的是單一用戶對其余多個用戶的信息傳播。(3)生物信息網(wǎng)絡(luò)：如代謝網(wǎng)絡(luò)、蛋白質(zhì)互作用網(wǎng)絡(luò)等。研究表明，在生物信息網(wǎng)絡(luò)中，各節(jié)點(diǎn)間的交流是時間相關(guān)的，所以Teresa M. Przytycka等人認(rèn)為對于生物信息網(wǎng)絡(luò)的分析是需要借助于動態(tài)網(wǎng)絡(luò)來實(shí)現(xiàn)的，且在對蛋白質(zhì)互作用和基因調(diào)控網(wǎng)絡(luò)的研究工作中已經(jīng)有研究者開始分析時間對網(wǎng)絡(luò)的影響。
時序圖影響力最大化基本算法
基本的時序圖影響力最大化算法的思想是：將時序圖影響力問題分為兩步解決，首先第一步計算節(jié)點(diǎn)影響力，然后第二步是根據(jù)第一步所得出的實(shí)驗(yàn)結(jié)果使用貪心算法逐次尋找出邊際效應(yīng)最大的那個節(jié)點(diǎn)作為種子節(jié)點(diǎn)，直到找出k個種子節(jié)點(diǎn)為止。
首先提出了時序圖節(jié)點(diǎn)影響力計算算法SIC算法以及其改進(jìn)算法ISIC算法，然后在此基礎(chǔ)上計算節(jié)點(diǎn)的邊際效應(yīng)，并由此提出基本的可以解決時序圖影響力最大化問題的基本算法BIMT算法。
風(fēng)險預(yù)測 編輯本段
為每位病人構(gòu)建一個醫(yī)療時序圖，時序圍的表示形式壓縮了原始數(shù)據(jù)使其更緊湊，從而有效解決了醫(yī)療數(shù)據(jù)的稀疏性問題，并且為每位病人的分散數(shù)據(jù)提供了一種全景概括視圖
病人時序圖
疾病風(fēng)陰預(yù)測方法MTPGraph中病人時序圖將每位病人原始EHRs數(shù)據(jù)中的時序臨床事件轉(zhuǎn)變?yōu)闀r序圖，為所有病人提供了一種一致性表示形式，并考慮了不同臨床事件之間的時序關(guān)系。在形成圖的過程中，將用藥進(jìn)行了粗粒度劃分，例如，'地高辛（Digoxin）'和萬爽力（Vasorel）'可歸類為’抗心絞痛藥物（AntianginalAgents）'。畫像圖的節(jié)點(diǎn)表示粗粒度醫(yī)療事件（即，疾病名稱，粗粒度用藥，化驗(yàn)名稱等）；根據(jù)臨床事件的時間戳來形成有向邊，可以捕捉任意兩個醫(yī)療事件之間的時序關(guān)系；邊權(quán)重反映出相鄰兩個醫(yī)療事件之間的平均時間間隔，邊越粗權(quán)重越大，則平均時間間隔越短，這種表示形式簡便直觀，易于捕捉到不同臨床事件之間時序關(guān)系的強(qiáng)弱。
從疾病風(fēng)陰預(yù)測方法MTPGraph中可為各種分析任務(wù)捕捉到綜合全面的信息。在構(gòu)建時序圖時，與文獻(xiàn)不同的是需要根據(jù)實(shí)際的數(shù)據(jù)格式進(jìn)行以下幾方面考慮：首先需要從病人電子健康檔案記錄中抽取臨床事件，根據(jù)中國藥典（ChinesePharmacopoeia）將其劃分為粗粒度醫(yī)療事件，基于相對應(yīng)的時間戳形成時序序列，最后將得到的粗粒度事件序列轉(zhuǎn)變成時序圖?；趫D的表示方式能夠用更簡潔的方式捕捉到隱藏在事件序列中的時序關(guān)系，并且在時序序列中擁有一致順序重復(fù)出現(xiàn)的事件對在時序圖中只出現(xiàn)一次，意味著這種表示形式能夠幫助抵制稀疏性及不規(guī)則觀察。
疾病風(fēng)險預(yù)測
疾病風(fēng)陰預(yù)測方法MTPGraph中疾病風(fēng)險預(yù)測提出了一種挖掘頻繁時序特征圖的算法。為了執(zhí)行不同疾病風(fēng)險預(yù)測任務(wù)，例如預(yù)測冠私病患者的病情是否好控制，或者預(yù)測慢性阻塞性肺病患者在未來90天內(nèi)是否會再次住院等任務(wù)，都需要采取以下步驟：首先要構(gòu)建信息量豐富的特征圖，利用提出的頻繁時序子序列挖掘算法TRApriori，Apriori是最成熟的頻繁項(xiàng)集挖掘算法之一，基于該方法去獲得頻繁時序子序列，隨后形成頻繁時序特征圖；其次如疾病風(fēng)陰預(yù)測方法MTPGraph中疾病風(fēng)險預(yù)測所示基于病人時序圖及頻繁時序特征圖來構(gòu)建特征向量，每個病人時序圖都可由第一步得到的特征圖重新組成，隨之產(chǎn)生一個重構(gòu)系數(shù)，即生成的是特征向量，用來進(jìn)行有效的疾病風(fēng)險預(yù)測。
附件列表
詞條內(nèi)容僅供參考，如果您需要解決具體問題
（尤其在法律、醫(yī)學(xué)等領(lǐng)域），建議您咨詢相關(guān)領(lǐng)域?qū)I(yè)人士。