动态网络，其结构随着时间不断发生变化，是个应用领域相当广泛的数据结构，比如社交媒体交流网络，学者之间的合作网络等。相关的研究相当的丰富（图1）。基本的展示形式有两种，点边形式（Node-link Diagram）和矩阵形式 (Matrix Diagram)；时间映射方式主要有两大类，基于时间轴的映射和基于动画的映射。这些方法，关注的往往是整个网络。另一种重要的动态图研究方法，是自我网络分析（egocentric analysis）。相比于关注整个网络的分析，自我网络分析关注的是中心点（ego）及其相关联的节点（alters）构建的子图。
图1 动态图基本可视分析方法
可视分析自我网络的动态变化，对探索中心节点与周边节点之间的相互影响，有重要作用。为更好地分析、总结自我网络相关的可视分析任务，作者们采访了三个网络分析专家，并将相关问题总结整理成三大类，如下所示：
A: 动态自我网络的演变
A1: 出现，消失和重现。比如，特点节点的生存周期有多长？
A2: 聚集和分裂。比如，是否存在多个群簇聚集成一个群簇的现象？
A3: 稳定和替代。比如，节点在自我网络中稳定么？
A4: 属性变化趋势。比如，整体上，自我网络的大小变化趋势是怎样的？
B: 特定时间步的自我网络分析
B1: 可通性。比如，哪些节点与中心节点直接相连？
B2: 连接性。比如，哪些节点是两个不同节点的共同连接点？
B3: 连接属性。比如，节点的介数中心性（betweenness centrality）是多少？
C: 自我网络
C1: 总览图，关注区域及其上下文。比如，自我网络的结构特点是什么？
C2: 分布。比如，自我网络中节点的数量随时间的变化情况是怎样的？
为更好地可视分析这些问题，结合地铁图中得到的启发，他们设计了EgoLines（图2）展示动态自我网络。在这个可视化中，自我网络中每个节点用类似地铁线的形式表示。每个时间步的自我网络拓扑结构，用矩阵形式表示，采用类似地铁图中站点的方式，用白色圆点映射两节点之间的关联关系。线段的颜色与节点在自我网络中的群簇对应。此外，为支持用户更便捷地分析特定节点的行为，采用直角矩形块表示节点初次进入网络，采用虚边矩形和虚线表示节点的暂时离开。
图2 EgoLines的可视展示形式
图3是EgoLines系统界面图，主要包括四大部分：EgoLines主界面，展示当前用户选择的中心节点及其自我网络（图3(a)）；点边形式展示数据集中整个动态网络的超图（图3(b)）；列表形式展示数据集中所有可能的自我网络及网络的属性，比如采用直方图展示自我网络中的节点数随时间的变化等（图3(c)）；系统支持丰富的交互方式，具体交互面板如图3(d)所示。
图3 EgoLines系统界面图
接下来，我将通过真实数据分析案例，阐述系统的使用方法及其有效性。该案例分析的是因财务造假破产的安然公司内部邮件数据，涉及142个员工在1998年11月到2002年6月的邮件交流。首先，我们通过总览图，观察邮件交流网络的整体结构（图4(a)）。调整滑块，查看每个时间步，交流网络的拓扑结构，我们发现网络节点和边的数量越来越大（图4(a)中，2001年6月的网络比1999年6月的网络，在节点数量和点边密度上，大很多），说明142个员工之间的交流越来越频繁。随后，在列表中查看所有节点自我网络的统计属性（图4(b)）。根据网络的点边密度排序，发现排在前两位的是Delainey和Lavorato（两位都曾是安然公司的ceo）的自我网络。通过查询方式，可以快速获取Skilling和Lay（两位是曾是安然公司的ceo）的自我网络统计属性。我们发现，四位ceo在安然公司的工作时间，基本一样（图4(b)，统计直方图，x轴上的数据分布基本一样）；但他们的自我网络活跃程度非常不一样（图4(b)，统计直方图，y轴上的数值分布差异大）。
之后，我们查看了Skilling的自我网络（图4(c)）。Skilling的自我网络在2001年4月和2001年8月急剧变大（图4(c-i)和图4(4-ii)，矩阵大，涉及的节点多）。前者可能与Skilling口头攻击华尔街一位质疑公司财务的分析师事件相关；后者跟Skilling从ceo岗位辞职相关。KL线（图4(c-v)）描述的是Lay与Skilling的交流随事件的变化情况。我们发现二者之间的交流非常少，Lay只在2001年4月和2001年8月与Skilling有直接的邮件交流。但如果分析Skilling自我网络其它节点与Lay的交流，我们可以发现在2001年4月，虽然只有五个节点与Lay有交流（图4(c-v)中，KL线上只有5个白点），但其中4人通过Lay与安然公司的高层进行交流（图4(c-i)中黑色的曲线，高亮了其它节点与KL的交流），比如DD安然公司前董事长（图4(4-vi)）。
图4 案例分析结果示意图
随后，我们查看了Lay的自我网络（图4(d)），发现2001年8月，Lay担任安然公司CEO的第一个月，与Lay直接邮件交流的员工急剧增多（图4(d-i)，矩阵非常的大）。但随后，网络急剧减小，在2002年6月（Lay离职），直接通过邮件与Lay交流的员工，几乎没有。
如果我们比较Skilling和Lay早期的自我网络结构（图4(c)左侧图和图4(d)右下角图），可以发现他们与SK（副董事长）和LK（董事长）都保持着长期的交流。这从某个角度说明，Skilling和Lay的交流可能远比邮件数据显示的交流频繁。
作者们还通过一个控制类实验，分析EgoLines表现形式的性能。他们将EgoLines与另外两种可视化形式进行了比较（图5）。实验要求参与者采用三种可视化形式，完成两大类任务。然后根据用户完成任务的时间，准确率以及使用体验，分析三种可视化形式的性能。
图5 控制实验使用的，三种基于时间轴的动态图表示形式
图6展示了实验分析结果。我们可以发现，EgoLines表现形式在分析时序类任务和部分拓扑类任务上，性能非常的好；但在查找起桥梁作用的节点任务上，EgoLines的表现非常差。这可能是因为EgoLines采用矩阵形式，展示网络的拓扑结构，不够直观。
图6 实验分析结果。整体上，EgoLines表现优于另两种表现形式。但在拓扑结构类任务，查找起桥梁作用的节点上，EgoLines的表现最差。
总体上，EgoLines[4]，是一种新颖的分析动态自我网络随时间演变的可视化形式。这种表现形式采用类地铁图的映射方式，直观新颖。但EgoLines不适用于处理较大的动态图数据。当时间步多，每个时间步网络大的时候，EgoLines不能給用户一个很好的总览图。也许进行一定程度的聚类，可以处理此类问题。此外，EgoLines采用矩阵形式展示每个时间步自我网络的拓扑信息，并不适用于分析拓扑结构类任务。
引用：
[1] B. Bach, E. Pietriga, and J.-D. Fekete. 2014a. GraphDiaries: Animated transitions and temporal navigation for dynamic networks. IEEE Transactions on Visualization and Computer Graphics 20, 5, 740–754.
[2] B. Bach, E. Pietriga, and J.-D. Fekete. 2014b. Visualizing Dynamic Networks with Matrix Cubes. In Proc. SIGCHI Conference on Human Factors in Computing Systems. 877–886.
[3] van den Elzen, S., Holten, D., Blaas, J. and van Wijk, J.J., 2016. Reducing snapshots to points: A visual analytics approach to dynamic network exploration. IEEE transactions on visualization and computer graphics, 22(1), pp.1-10.
[4] Zhao, J., Glueck, M., Chevalier, F., Wu, Y. and Khan, A., 2016, May. Egocentric Analysis of Dynamic Networks with EgoLines. In Proceedings of the 2016 CHI Conference on Human Factors in Computing Systems (pp. 5003-5014). ACM.
评论关闭。