设想如下的场景，一位准大学生正在寻找他心仪的大学，而他所面对的上千所高校，在各项指标上（如地理位置、学术质量、奖惩制度等）都有不同的特点，他应该如何选择呢？当然，他可以使用College Prowler [2] 这样的工具，通过不断设定过滤条件来筛选合适的学府，但这样的操作繁琐而不直观，数据探索的效率低。或许，他也可以利用高维投影(projection)、内部布局(interior layout)等方法，将这些多维数据直观展现在二维平面上。但这类方法不能兼顾表现数据与维度，他需要在多个视图中切换以观察各类信息，如学校的分布（数据关系）、指标的关联（维度关系）以及各校评分（数值情况）等等。文章作者提出了数据语境图（Data Context Map）的方法[1]，该方法将数据与维度信息融合在同一个视图中，让用户能够快速地整合分析数据和维度的分布以及联系。
移动物体(Moving objects)例如车辆、血管、飞机、或者行人的轨迹是一种常见的数据。当这些移动物体不是随机地运动，而是有一定的行为模式，例如飞机的航线是固定的，城市中车辆的轨迹反应人们出行的规律，这时我们把这类轨迹的集合成为交通流（Traffic Flow）。然而可视化交通流面临许多挑战：
1.如何可视化所有轨迹的概览（overview）能让用户轻松的找到他们关心的交通流。
2.如何选取交通流。
3.如何分析交通流的运动特征（例如方向，速度，海拔高度等）。
4.如何对比不同的交通流。
继续阅读 »
微博在当代的网络生活中非常盛行，人们在上面议论着各种话题并发表他们的意见，其中蕴含的信息对社会学、媒体学等许多学科而言都是巨大的宝库。如何有效地发掘微博里的信息成为了一个重要的课题。而在以往的工作[2]中，信息检索都是以单条微博(post)为主体，其他因素如博主(user)和话题标签(hashtag)等都被看作过滤条件，来对微博进行筛选。但事实上，博主的受欢迎程度、话题热度等都会影响一条微博的重要性。只考虑微博相关性的检索往往无法满足用户的需求。另外，微博信息纷繁复杂，通过过滤器来改善检索结果往往十分低效。本文[1]提出了一种考虑不确定性的微博信息检索方法。该方法能结合多种因素改善检索结果，并通过不确定性的呈现，让用户能够在交互中有效地提高信息的质量。
电子书合集(Electronic Collection)是一种互联网时代常见的数据形式。例如，计算机领域各类会议期刊的论文合集就构成了这样一种数据集。在这类数据中进行导航(navigation)通常需要有不同的策略。关联浏览(Associate Browsing)用来指代一类以特定主题或一般性的知识获取为目的、依据环境线索不断迭代、最终达到目标的探索策略。本文提出了Refinery，一个通过关联浏览对巨大异构网络进行探索的可视化系统。
在生物、气象等相关领域，科学家常常通过建立计算模型以观察和研究相关现象。例如，在系统生物学中，对生物现象进行抽象建立生物反应过程的模型。科学家通过输入不同的参数，分析和比较不同的模拟结果，发现参数与现象之间的相关性，建立和验证假设。本文[1]所做的工作针对系统生物学中的蛋白质与脂筏在细胞表面的运动模拟模型，提出特征驱动的可视分析系统，以帮助领域科学家分析比较不同参数下的运动模型。
网络结构的节点间有关联，如何评估和理解网络内部关联和分组的行为，是分析网络的核心任务之一。若网络中存在不止一种类型的关联，则称之为多重网络。比如，一个包含若干新闻数据的文档集合，文档之间的关联可以是新闻内容相关、新闻提及的地点相关、或者是人物相关、作者相关等等。这些不同相关类型使文档之间存在不同类型的关联，文档和文档之间可能存在不只一种关联性。所以，多重网络的节点之间关联性会有重叠，这使对多重网络内部分组行为的分析变得更困难。在今年欧洲可视化会议EuroVis2015上，一篇文章提出了Detangler系统，支持对多重网络中凝聚的节点组的可视分析。
继续阅读 »
对关系网络图中的结点进行聚类是社群分析的一个重要方法，但对于特殊任务，比如寻找社群之间的公共结点，对边进行聚类则更加有效[1]。这篇EuroVis2015的文章[2]通过对偶邻接矩阵（Dual Adjacent Matrix）的方法，把结点邻接矩阵和边邻接矩阵合并到了一起，共同来进行网络图中的社群分析。
近期评论