矩阵是一种常见的可视化技术，广泛应用在网络、表格、时序等数据可视化中。矩阵通过紧凑的二维网格布局形式来可视化大规模数据，网格中的每个单元表示一个数据项，通过颜色或者大小编码数据项的某个值。然而，对于多属性矩阵来说，一个数据项会包含多个值，如多个属性、多个时间值，如何有效展现这些细节面临着重大挑战。已有可视化方法通过在网格中嵌入图元的方式来展现每个数据项的细节，但是这些方法需要大量空间，难以可视化大规模矩阵。另一种方法是通过交互技术，有选择的展现一部分数据的细节信息。然而交互技术多种多样，哪些适合多属性矩阵可视化？这篇文章对于相关的交互技术进行了评估。
首先，作者调研了针对矩阵可视化4种常见的焦点+上下文放大交互方式。
- a. Cartesian lens. 在这种放大方式中，关注区域的中心处的格子会被放大，离开关注区域越远地方的格子变形越小，变形时会保证网格仍为矩形。
- b. Fisheye lens. 在这种放大方式中，关注区域的周围格子会变形，关注区域外的格子保持原样。
- c. TableLens Stretch. 基于Table Lens的形式，关注区域所在的行、列中的格子会被撑开。
- d. TableLens Step. 同样基于Table Lens的形式，区别在于关注区域所在行、列中的格子会保持不变。
当用户使用这些交互技术时，放大区域大小固定为6个网格，每个网格内容以展现一个折线图为例，代表该网格内包含的细节信息。
针对这四种交互技术，作者设定了3个任务。
- Locate. 使用这些交互技术选中矩阵视图上的高亮网格。
- Search. 矩阵视图上会高亮一个区域，用户需要使用这些交互技术找到高亮区域内网格包含的最大值。
- Context. 在上一个任务的基础上，用户找到最大值后，选中该最大值所在的时间点，矩阵视图会进行更新，每个网格表示该时间点的值，然后用户需要找到最大的聚类。
如图2，对于Locate任务，Cartesian和Fisheye的效率显著优于TableLens Stretch和TableLens Step。这是因为后两种技术在鼠标进去视图后，鼠标的实际位置会和用户期望的位置发生明显的偏移。在Search任务中，4种方法的时间表现类似。在Context任务中，Cartesian表现最差，这是因为网格大小变形导致区域比较困难。此外，用户还对于不同交互技术的易用程度进行打分，Fisheye易用性评价最高。综上，Fisheye在4种放大技术中综合表现最好。
进一步，作者将Fisheye和Overview and Detail，Pan & Zoom进行了比较。
如图3所示，Pan & Zoom方式在3个任务上总体上表现最优。
总的来说，在这篇论文中，作者首先比较了四种焦点+上下文技术，发现Fisheye总体上优于其它放大技术。然后，作者进一步比较了Fisheye、Overview and Detail，Pan & Zoom在矩阵可视化上优劣，Pan & Zoom方式在3个任务上总体上表现最优。作者提供了各个交互方法的在线演示。https://mmvdemo.github.io/
【参考文献】
[1] Yalong Yang, Wenyu Xia, Fritz Lekschas, Carolina Nobre,
Robert Krueger, Hanspeter Pfister. The Pattern is in the Details: An Evaluation of Interaction Techniques for Locating, Searching, and Contextualizing Details in Multivariate Matrix Visualizations. “ Cicero: A Declarative Grammar for Responsive Visualization” In Proceedings of the ACM Conference on Human Factors in Computing Systems (CHI 2022), to appear.
评论关闭。