矩阵可视化是主要的关系（或网络）数据可视化技术之一。如果其布局能够揭示底层的数据拓扑结构，则最为有效。不同的矩阵排序算法带来不同的视觉模式，它们的可信赖性和可解释性是个值得研究的问题。 该工作[1]介绍了一种可视化分析系统来帮助新手、网络分析师和算法设计人员打开排序算法黑匣子，从而帮助用户更好地了解复杂的重排序过程，进而支持数据和重排序算法的见解。
作者存档: Zhixian Lin
GUIRO: 用户引导的矩阵重排序 (User-Guided Matrix Reordering)
作者: Zhixian Lin
日期: 2019年11月17日
GUIRO: 用户引导的矩阵重排序 (User-Guided Matrix Reordering)已关闭评论
理解伴随音频叙述的可视化中的视觉线索 (Understanding Visual Cues in Visualizations Accompanied by Audio Narrations)
作者: Zhixian Lin
日期: 2019年5月11日
理解伴随音频叙述的可视化中的视觉线索 (Understanding Visual Cues in Visualizations Accompanied by Audio Narrations)已关闭评论
为了使用数据可视化进行有效的演示，演示者通常通过视觉线索（visual cues）增强观众的体验。视觉线索/视觉提示通过修改可视化的外观或引入其他视觉元素来引导观众对可视化的相关部分的关注。通常认为视觉提示有助于可视化叙事和演示。但是，这一假设尚未得到系统研究。本文[1]中，作者研究了视觉线索对伴随音频叙述（audio narration）的可视化的回忆和理解的影响。
PacificVis 2019 – Day 1
作者: Zhixian Lin
日期: 2019年4月24日
PacificVis 2019 – Day 1已关闭评论
PacificVis 2019会议于4月23日在泰国曼谷召开，会议协办方是泰国朱拉隆功大学（Chulalongkorn University）的朱拉隆功商学院（Chulalongkorn Business School）。本届会议的论文主席是来自美国Arizona State University的Ross Maciejewski，来自韩国Seoul National University的Jinwook Seo，来自德国Technical University of Munich的Rüdiger Westermann。 继续阅读 »
Lineage: 在家谱图中可视化多变量临床数据 (Visualizing Multivariate Clinical Data in Genealogy Graphs)
作者: Zhixian Lin
日期: 2018年12月1日
Lineage: 在家谱图中可视化多变量临床数据 (Visualizing Multivariate Clinical Data in Genealogy Graphs)已关闭评论
大多数对公共和个人健康构成重大挑战的疾病都是由多种遗传和环境因素引起的。本文[1]介绍了Lineage这一新型可视化分析工具，用于支持领域专家在结合族谱背景时研究此类多因素疾病。通过结合案例之间的家庭关系与其他数据，用户可以发现此类疾病可能涉及的共享基因组变体或共享环境暴露等。此设计研究的主要贡献是针对家谱和临床数据结合的这一类树状多变量图，通过设计家谱图与属性表格图相对齐的方式，能够在家谱分析中加入广泛的多元属性而不会使图混乱。
利用在线评论轻松比较本地企业 (Towards Easy Comparison of Local Businesses Using Online Reviews)
作者: Zhixian Lin
日期: 2018年9月23日
利用在线评论轻松比较本地企业 (Towards Easy Comparison of Local Businesses Using Online Reviews)已关闭评论
随着电子商务的快速发展，越来越多的在线评论网站，如Yelp，帮助客户做出更好的购买决策。查看其他客户的在线评论，包括评级得分和文本评论，并进行不同业务之间的比较是做出最佳决策的关键。然而，由于在线评论数量巨大，用户评级标准存在潜在差异，以及评论的时间、长度、细节和质量等各有不同，客户很难实现快速和全面的比较。本文[1]介绍了基于在线评论的精心设计的可视化分析系统E-Comp，用以帮助客户不同详细程度地比较本地企业。
散点图：任务，数据和设计 (Scatterplots: Tasks, Data, and Designs)
作者: Zhixian Lin
日期: 2018年7月15日
散点图：任务，数据和设计 (Scatterplots: Tasks, Data, and Designs)已关闭评论
传统的散点图随着数据复杂性和数据量的增长逐渐无法胜任可视分析的任务，因此，对传统散点图的修改和扩展设计层出不穷。针对具体分析目标，研究人员如何设计和选择合适的散点图也面临着更多的选择和挑战。这篇论文[1]旨在帮助设计人员针对散点图可视化形式做出合适的设计。通过调研相关文献，论文总结出针对散点图的分析任务、数据特征、设计方案等，通过结合这三者，提出存在的问题与挑战，并给出好的散点图设计示例。
近期评论