多变量地理空间数据是一种十分常见的数据类型，例如对各大城市的人口状况统计、世界各国的国力评判指标等等。如何分析地理因素（如地域的位置、范围、方向等）对多变量数据的影响，一直是地理信息、可视分析等领域的重要课题。另一方面，聚类是简化多变量分析的常用方法，它能够挖掘相似数据、总结数据特征、并消除变量增长所带来的负担。然而，当下的聚类分析方法并没有考虑地理因素的影响。这篇发表于2016年EuroVis会议的文章[1]，就探讨了如何通过可视化分析地理因素对多变量聚类的影响。

继续阅读 »

现如今的互联网上有大量的流式文档，一个很普遍的问题就是如何检测和跟踪这种文本流中的新兴事件。目前在挖掘和可视化文本流方面已经取得了很大的进步。然而，大多数现有的方法都是离线方法。离线的方法是基于所有文档来计算结果的。每次当新文件流入时，这些方法都会先将新文档与旧文档合并，然后重新计算模型。目前使用的这些离线方法存在两个主要的问题：
1. 重新计算模型时间消耗太大；
2. 由于模型被重新计算，结果在一定程度上发生了变化，这对用户来说可能是难以理解的。
这篇文章[1]提出了一种在线的可视化分析方法，帮助用户探索和了解大量流式文档中的层次主题演化。

继续阅读 »

在实际的很多应用中，数据集由无结构文本和结构化数据组合而成。比如购物网站上，顾客会给商品的质量、物流服务质量、商家态度等条目打分，也可以写一段关于商品的评论。前者就是结构化数据，后者则是无结构文本数据。分析者面对这些数据时，往往需要同时分析二者。既可能先指定结构化数据字段的过滤条件（如对于北京的餐馆），总结文本信息（如，用户评价这类餐馆时最经常使用哪些关键词）；也可能先指定无结构文本（如用户评价中含有“非常满意”），再观察这些数据在结构化数据字段的分布（如，这样的评论的地理分布）。然而，分析者面对这类数据时，面临两大问题：(1)没有一种系统的方式来组织和连接这些操作；（2）缺少完整地集成了这些操作的可视化系统，能够支持用户灵活地进行分析。 继续阅读 »

人们在做选择的时候，往往会综合考虑事物的多个方面。譬如在选择住房时，有的人注重装修，有的人看重便利的交通，有的人则更偏好良好的社区环境等等。当多个准则并存，我们常常赋予它们不同的权重，并选择综合得分最高的作为最佳选项。然而，人对权重的把握总是模糊的，如果略微改变权重设定，得到的“最佳选项”是否会不一样呢？在这篇文章[1]中，作者们针对多准则评价体系，提出了一种探索多维权重空间的可视分析方法。利用该方法，用户能够充分了解权重变化对最终决策的影响，并有针对性地调整权重、作出选择。

继续阅读 »

对于在线教育现在大家都越来越熟悉了，与传统的教育相比它有一些优势，包括可以更加快速利用丰富的互联网资源进行授课与学习、可以支持远程教育让更多人收益，更理想地来说它最终要达到每个人个性化的学习。今天我们介绍的这篇文章[1]来自哈佛大学，描述了他们用了快2年的时间，和教育专家一起构建出一个在线教育系统 – 它支持正常的在线教育的功能，更加有特色的是，它融合了可视化的元素，将课程学习中的概念依据他们的层次结构关系构造出了概念地图，并且为每个学习者根据它的学习情况将课程的依赖关系进行展现，让他们拥有个性化的学习计划，而传统的在线教育网站或者可视化系统很难同时做到这几点。下表进行了他们提出的系统booc.io和以前一些系统的对比。

继续阅读 »

所谓边际投影，指的是多维数据在少数几个维度上的数量累积，例如两份病患统计数据，分别展示病人在年龄和性别上的一维分布。然而仅凭这些数据，我们无法确定不同性别的病患在各个年龄段上的二维分布，因为边际投影重构出的联合分布并不唯一。传统的自动算法能够给出重构分布的少数“可行解”，却无法结合用户的先验知识、也不一定符合现实情况。在这篇文章中[1]，作者提出了一种可视分析方法，通过高维可视化手段、重构并展示大量潜在的联合分布，以帮助用户识别其中符合事实或预期的、有价值的分布。

继续阅读 »