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。
图1. Segue的用户界面
Pipeline:
Segue的流水线需要同时具有可解释性(interpretability)和可交互性(interactivity)。流水线将动态自我中心网络转化为空间布局，如图2所示。
图2. Segue的流水线
- Dynamic Ego-networks->Event Sequences：第一步需要用户去定义时间序列类别和事件类别，流水线会自动生成相应的事件序列。事件有两种规格，分别为点事件(point event)和区间事件(interval event)。这一步使得流水线具有可解释性，因为事件序列有助于解释空间布局中点的分布。
- Event Sequences->Feature Vectors：在将事件序列转化为特征向量的过程中，本文用了一种比较简单的方法，用不同事件类别的数量去生成特征向量。
- Feature Vectors->Distance Matrix：本文利用欧氏距离计算向量之间的距离，并生成距离矩阵。第2、3步也可以利用其他方法，比如向量之间的编辑距离(edit distance)。
- Distance Matrix->Spatial Layout：在这一步中，文章利用传统的MDS算法去生成空间布局。因为MDS可以快速收敛，所以使得流水线具有可交互性。
User Interface:
文章中指出，可视分析系统需要基于以下的几种准则：
- 需要支持对网络的彻底的探索与分析。
- 提供验证转化的机制。
- 便于对空间布局进行解释。
- 在不同视图中保持时间线的一致。
基于这些准则，本文提出了Segue。Segue有两个主视图，以及支持用户增加、删除事件的编辑器。
- Network View：此视图允许用户在宏观层面分析网络。在用户没有添加事件的时候，空间布局基于网络中心点的属性；在用户添加事件之后，Segue则用上述的流水线去生成布局，并当用户停留在一个点上的时候，用像素去展示事件序列。
图3. Segue的网络视图
- Ego-network View：该视图使用基于时间线的方法，有助于分析单一的自我中心网络。首先，创建灰色区域作为背景，并用宽度代表在这个时间点上网络的大小；然后，绘制线以指示具有不同属性的节点的数目；最后，将具有相同属性的线连在一起。而当用户选择某一个时间序列种类的时候，该视图用灰色背景来指示该时间序列种类。当用户停留在时间线上的时候，该视图可以展示在当前时间点上该网络的快照。
- Event Type Editor：该视图支持用户编辑事件，包括点事件和区间事件。对于基于属性的时间序列种类，该视图还支持快捷创建，如图4所示。
图4. Segue事件的快捷创建
总的来说，本文提出了一种同时具有可解释性和可交互性，并能够将动态自我中心网络转化为空间布局的流水线，而且基于这个流水线，提出了可视分析系统Segue。作者也希望本文能够激励那些针对其他动态网络分析的新方法。
参考文献：
[1] Po-Ming Law, Yanhong Wu, and Rahul C. Basole. Segue: Overviewing Evolution Patterns of Egocentric Networks by Interactive Construction of Spatial Layouts. IEEE Conference on Visual Analytics Science and Technology, 2018.
评论关闭。