
现有的图可视化技术难以在有限的空间有效揭示图数据的丰富内涵。本文[1]提出了一种叫做Graph Thumbnails的方法,它以缩略图的方式将图数据的层次化结构可视化,灵活支持small multiple(小多组图组),方便用户快速浏览图数据库,并具有如下优势:(1)线性时间复杂度;(2)同构不变性;(3)精确展示图的结构信息。通过两个用户研究,作者验证了Graph Thumbnails在标识化、对比和概览图数据这三项常见数据分析任务中的优越性。
北京大学可视化暑期学校第二天上午的报告由悉尼大学的Peter Eades教授带来题为《Graph Drawing》的报告。Peter在1984的论文中[1]首次提出了力导向算法的原型,是图布局最经典的绘制算法。在课程中,Peter Eades为了大家介绍了图可视化的相关内容。图可视化中最重要的问题就是图布局。简单来讲,图布局就是给拓扑中的节点赋予坐标,并且在节点间用连线表示拓扑中的连接。什么是一个好的图绘制呢?首先,图绘制的结果必须是忠实(faithfulness)的,即绘制的图能够准确表示原始的数据,但是现在还没有一个正式的规则来评价忠实性;其次,图绘制的结果必须具有可读性(readability),即用户可以准确理解图中的知识信息。好的图布局会避免边交叉,弯曲的边以及节点的重合。 继续阅读 »
动态网络,其结构随着时间不断发生变化,是个应用领域相当广泛的数据结构,比如社交媒体交流网络,学者之间的合作网络等。相关的研究相当的丰富(图1)。基本的展示形式有两种,点边形式(Node-link Diagram)和矩阵形式 (Matrix Diagram);时间映射方式主要有两大类,基于时间轴的映射和基于动画的映射。这些方法,关注的往往是整个网络。另一种重要的动态图研究方法,是自我网络分析(egocentric analysis)。相比于关注整个网络的分析,自我网络分析关注的是中心点(ego)及其相关联的节点(alters)构建的子图。 继续阅读 »
社交网络是高度密集的小世界网络图。在小世界网络中,大部分节点不直接的连接,但是它们从任一其他节点经少数几步就可到达。采用已有的图布局算法布局小世界网络图,总是会得到一个类似毛团的视图。比如说,力导向算法针对网状结构的数据,总是可以得到不错的布局。但是,当数据是个小世界网络时,其效果也不好。这篇文章提出一个预处理方法,自动地选择最佳阈值,过滤掉小世界网络中不重要的边,得到最优的图骨架。最优的图骨架指其内部的图结构信息展示的最清晰。 继续阅读 »
微博在当代的网络生活中非常盛行,人们在上面议论着各种话题并发表他们的意见,其中蕴含的信息对社会学、媒体学等许多学科而言都是巨大的宝库。如何有效地发掘微博里的信息成为了一个重要的课题。而在以往的工作[2]中,信息检索都是以单条微博(post)为主体,其他因素如博主(user)和话题标签(hashtag)等都被看作过滤条件,来对微博进行筛选。但事实上,博主的受欢迎程度、话题热度等都会影响一条微博的重要性。只考虑微博相关性的检索往往无法满足用户的需求。另外,微博信息纷繁复杂,通过过滤器来改善检索结果往往十分低效。本文[1]提出了一种考虑不确定性的微博信息检索方法。该方法能结合多种因素改善检索结果,并通过不确定性的呈现,让用户能够在交互中有效地提高信息的质量。
近期评论