在高维数据中，子空间指由维度子集构成的数据空间。为了避免数据中的重要模式被无关维度掩盖，分析人员需要选择合适的子空间作为分析对象，而不是在全维度空间进行分析。然而，子空间数量过多是子空间分析的主要挑战。包含d个维度的数据有2^d-1个子空间。另一方面，虽然子空间聚类算法可以帮助我们找到包含聚类的潜在有价值子空间，但这类算法存在三个方面的问题：（1）产生的子空间数量依然过多；（2）结果存在冗余，即其中部分子空间十分相似；（3）结果存在偏差，即算法会过度强调某些维度，使它们在产生的子空间中出现的频率显著高于其他维度。面对这些问题，本文 [1]提出从语义角度生成和分析子空间的新范例（图1）。其核心思路是根据维度语义来生成子空间。

互联网比以往任何时候都更容易将新闻文章分发给更多的人，人们的信息获取过程中存在大量的数据内容和数字对象溢出的问题。推荐系统（Recommender systems，缩写为RSs）变得不可或缺。然而，RSs总是缺乏透明度和多样性，用户在“被推荐什么”方面几乎没有控制权。在一个对数字信息的依赖会对我们的生活产生巨大影响的时代，这造成了人们对推荐系统的不信任感。尽管解释（explanations）、控制（control）和赋权（empowerment）等概念已在RSs领域被广泛讨论。然而，很少有人关注如何使用可视化来推进这些概念以改进现有推荐系统存在的问题。

来自瑞士的研究者提出了NewsRecXplain，其使用交互式和可解释的机器学习方法支持用户理解、诊断和改进个性化推荐系统。NewsRecXplain的界面允许用户解释和定制新闻推荐，并有助于增强用户使用推荐系统的能力，使他们发现并改善信息传播中的过滤气泡效应。

意义建构是从数据中识别、提取和解释见解的迭代过程，其中每次迭代都称为“意义建构循环”。意义构建是如何在探索和解释的过程中逐渐演变的是不清楚的，而这对于理解意义构建的过程是至关重要的。意义构建的一个典型的例子是数据科学家通过迭代代码、可视化和注释更加了解数据。数据科学家经常使用计算笔记本来达到这一目的，然后依旧存在一些问题，这些笔记本不方便跟踪笔记本在时间上的变化。

来自马里兰大学和华盛顿大学的研究者考虑如何重新设计计算笔记本，以帮助用户开展意义构建，首先要做的是探索意义构建如何在计算笔记本中演变。