已有很多有关事件序列的可视分析工作，他们大多从给定用户事件序列的概览出发，并在用户探索的过程中给予细节。但是，现有的相关可视分析系统往往只会给用户单一的概览作为探索的起点，而这可能会遗漏一些发现。系统应允许用户改变概览的详细程度。
而本文[1]则从事件序列的垂直和水平方向提出了构建多层级概览的方法，在垂直方向进行事件序列的聚类，而在水平方向进行事件序列集合不同程度的压缩。此外，对于这些不同层级的概览，用户很难决定从哪一个入手进行探索。因此该工作也提供了一些可能最优的概览供用户进行选择。最后，该工作提出了一个可视分析系统Sequen-C来支持用户多层级的探索。
继续阅读 »
对学术实体影响的分析可以帮助人们更好地了解一个实体在学术界的生产力和声誉，并了解知识的创造过程。但已有的工作大多致力于影响力的量化。本文[1]提出了一种名为影响花朵(Influence Flower)的新的隐喻形式，能够展示实体之间影响的流动。
继续阅读 »
我们提出了转发地图（R-Map），一种基于地图隐喻的社交媒体信息转发的可视化方法。该方法利用地图上不同的元素编码转发信息的不同特征，通过该方法及系统，能够直观的展示出一条社交媒体信息的转发结构、用户在转发过程中的角色以及转发过程中语义的变化。
在视频编辑中，向视频中加入B-roll是一种比较常见的做法。B-roll可以使得原视频变得更加丰富、更加吸引人。但是，对于新手来说，很难选择插入哪个B-roll，以及插入A-roll的哪个位置。因此，本文[1]提出了B-Script来辅助用户解决上述问题。特别的，B-Script主要针对vlog的B-roll插入问题。
现在，动态网络的分析已经被用于很多领域。而在其中，对个体的分析常常被称为自我中心网络(Ego-network)的分析。但是，现有的方法很难在宏观层次上分析很多的动态自我中心网络。本文[1]提出了一种新颖的将动态自我中心网络转化为空间布局的流水线，利用空间布局在宏观层次对自我中心网络进行分析，并基于这个流水线，提出了可视分析系统Segue。
数据的标记在机器学习(ML)和可视分析中(VA)中都是一个非常基础的过程。但是，标记是一个很费时间的工作。所以需要一些更高效的标记策略。主动学习(AL)是一个旨在减少用户交互的一个机器学习的方法。它采用了候选选择策略(Candidate selection strategies)，通过模型为用户选择出一些数据来进行标注。但是，用户并没有直接参与到实例的选择的过程中。数据标记同时也应用在可视分析中。可视分析中的实例选择和标记是用户驱动的。之前的工作曾经提出过可视化交互标记的想法来通过用户和模型来给出候选的数据。而这个工作[1]旨在进一步缩小AL和VA之间的距离。该工作做出了如下的贡献：（1）形式化用户的策略。（2）将用户的策略划分为11个低级别的模块。（3）在4个数据集上比较用户策略和AL策略。
近期评论