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。

在图可视化中，地铁图可视化是一个经典的可视化方法，将图中节点尽量均匀地排布在空间中，同时尽可能保持边的且尽可能保持最终布局的拓扑结构与图节点的原始。 同时，在实际的图布局中，除了要提高图的可读性，有时还需要将一些特定的动机(motif)嵌入到图中，这能提高图布局的艺术效果，也可能可以提升用户对该布局的认知能力。

在论文《Shape-Guided Mixed Metro Map Layout》[1]中，维也纳工业大学的Tobias Batik等人提出了一种结合地铁图布局与形状嵌入的混合布局方法（图1），能够支持在保证将用户定义的形状嵌入最终图布局的同时，将整体图布局以地铁图的标准进行优化。

矩阵可视化可以突出图数据中的局部结构。为了使这些结构表现为明显的视觉模式，人们提出了各种矩阵重排的方法来对矩阵的行和列进行适当排序。 但是，图数据可能不是孤立出现的，而是属于共享一组顶点的图集合的一部分。在这种情况下，已有的一种方法是选择一个图进行矩阵重排，然后推广到所有的图上；另一种方法是对所有图进行加权的合并，然后对合并后的图进行重排。然而这些方法都会损失信息，来自荷兰埃因霍芬理工大学的Beusekom等人 [1] 提出了一种考虑整个图集合的重排算法，如图1所示，可以同时对图集合中的所有图数据得到较好的矩阵重排结果。

节点链接图是一个用于显示网络中关系的有效工具。 来自美国东北大学的DiBartolomeo等人提出了STRATISFIMAL LAYOUT [2]，关注于计算网络的分层布局，在这种布局中，节点被排列在一组平行的轴上，来更好地展示层次或顺序关系。通常基于启发式的布局方法 [1] 可以得到可读的，但不是最优的可视化结果，该工作提出了一种模块化优化模型来计算最优的节点布局。

大多数对公共和个人健康构成重大挑战的疾病都是由多种遗传和环境因素引起的。本文[1]介绍了Lineage这一新型可视化分析工具，用于支持领域专家在结合族谱背景时研究此类多因素疾病。通过结合案例之间的家庭关系与其他数据，用户可以发现此类疾病可能涉及的共享基因组变体或共享环境暴露等。此设计研究的主要贡献是针对家谱和临床数据结合的这一类树状多变量图，通过设计家谱图与属性表格图相对齐的方式，能够在家谱分析中加入广泛的多元属性而不会使图混乱。

继续阅读 »