网络可视化方法的比较评估 (Comparative Evaluation of Bipartite, Node-Link, and Matrix-Based Network Representations)

网络数据是日常生活中常见的数据类型,如社会网络、论文引用网络和生物网络。如图1所示,在网络可视化的方法中,节点-链接图(Node-link Diagram)和邻接矩阵(Ajacency Matrix)是最常用的。另一种二部图布局方法(Bipartite Layout)首先被用于二部图上,之后也被扩展到普通静态图的可视化,在二部图布局中,节点被复制并放置在两个平行轴上,再用边将他们连接起来。每种方法在网络上的不同任务中都有其优势和不足之处。来自斯图加特大学的Daniel Weiskopf等人[1]进行了一项用户研究,以评估这三种网络可视化方法,并给出了使用准则。

图1 三种网络可视化方法

该工作共选择了5项任务,可分为概览任务(Overview Tasks)和细节任务(Detailed Tasks)。其中概览任务包括网络类型识别,集群检测,网络密度估计;细节任务包括节点出入度比较和表示映射(Representation Mapping)。如图2所示,对于每个任务,该工作生成了不同密度和网络类型的网络数据用于用户实验,用于验证其针对每个任务提出的假设。

图2 网络可视化任务和构造的数据集

如图3所示是每个任务上不同网络可视化方法的表现情况,经过假设检验,该工作得出以下结论。节点-链接图在网络类型识别任务上不如邻接矩阵和二部图可视化;二部图可视化在集群检测任务上比其他两种较差;在网络密度估计任务上,三种方法效果存在显著性差异,二部图方法相较其他两种较差;邻接矩阵和二部图方法在节点出入度比较任务上优于节点-链接图;邻接矩阵和二部图方法在表示映射任务上没有显著性差异。

图3 不同任务上不同网络可视化方法的表现情况(NL: 节点-链接图; AM: 邻接矩阵; BP: 二部图)

最后该工作给出了网络可视化方法的使用准则,如图4所示,不同的任务推荐使用不同的可视化方法。例如对于比较网络整体结构的任务,推荐使用邻接矩阵或二部图;对于网络中聚类和社群的识别任务,推荐使用节点-链接图;对于网络密度相关的任务,推荐使用节点-链接图或邻接矩阵;对于节点属性相关的任务,推荐使用邻接矩阵和二部图。总的来说,邻接矩阵方法在不同的任务中都显得较为可靠。

图4 网络可视化方法使用准则总结

参考文献

[1] Moataz Abdelaal, Nathan D Schiele, Katrin Angerbauer, Kuno Kurzhals, Michael Sedlmair, Daniel Weiskopf. Comparative Evaluation of Bipartite, Node-Link, and Matrix-Based Network Representations. IEEE VIS 2022.

评论关闭。