标签存档: 图可视化

基于自我中心线的动态自我网络可视分析方法(Egocentric Analysis of Dynamic Networks with Egolines)

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 »

沉浸式图可视化的布局、渲染和交互的方法研究(A Study of Layout, Rendering, and Interaction Methods for Immersive Graph Visualization)

信息可视化传统上以2维的图形来展示。近些年3D显示器和沉浸式头戴设备(head-mounted displays)的普及,使得身临其境的立体可视化环境成为可能。这种沉浸式环境的技术已被广泛地用于科学可视化等领域,相比之下,很少有人将其应用到信息可视化领域。这篇工作[1]的作者关注了信息可视化中的一个重要部分:图可视化,介绍了他们对于3维图可视化的布局、渲染、以及在沉浸式环境中的交互方法。

继续阅读 »

注释图:一个对用户注释数据分析的图可视化系统 Annotation Graph: A Graph-Based Visualization for Meta-Analysis of Data based on User-Authored Annotaions

在日常生活中,当我们阅读期刊、报纸、论文、书籍等作品时,对于其中的某些内容,我们可以通过注释(annotations)发表评价,记录想法。当我们回顾这些注释时,一方面可以回顾所注释的内容,另一方面可能产生新的想法。同样,在一个可视化系统中,我们是否可以对于一些发现加上注释,进一步发现数据特征呢?这篇论文的工作就是在一个可视化系统中加入注释的功能,当用户使用可视化系统探索数据时,可以通过对数据添加标签(tag),评价(comment)两种注释方式记录数据的特征,系统会以数据、标签、评价为节点构建一个注释图(annotation graph)来帮助用户整理自己的发现,进一步促进对数据特征的挖掘。

继续阅读 »

根据局部群簇信息自适应的解开小世界网络中的纠结 (Adaptive Disentanglement based on Local Clustering in Small-World Network Visualization)

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 »

考虑不确定性的微博信息检索方法 (An Uncertainty-Aware Approach for Exploratory Microblog Retrieval)

考虑不确定性的微博信息检索方法

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。

继续阅读 »

Detangler: 多重网络的可视分析(Detangler: Visual Analytics for Multiplex Networks)

网络结构的节点间有关联,如何评估和理解网络内部关联和分组的行为,是分析网络的核心任务之一。若网络中存在不止一种类型的关联,则称之为多重网络。比如,一个包含若干新闻数据的文档集合,文档之间的关联可以是新闻内容相关、新闻提及的地点相关、或者是人物相关、作者相关等等。这些不同相关类型使文档之间存在不同类型的关联,文档和文档之间可能存在不只一种关联性。所以,多重网络的节点之间关联性会有重叠,这使对多重网络内部分组行为的分析变得更困难。在今年欧洲可视化会议EuroVis2015上,一篇文章提出了Detangler系统,支持对多重网络中凝聚的节点组的可视分析。
继续阅读 »

对偶邻接矩阵:稠密网络中的邻边聚类探索(Dual Adjacency Matrix: Exploring Link Groups in Dense Networks)

对关系网络图中的结点进行聚类是社群分析的一个重要方法,但对于特殊任务,比如寻找社群之间的公共结点,对边进行聚类则更加有效[1]。这篇EuroVis2015的文章[2]通过对偶邻接矩阵(Dual Adjacent Matrix)的方法,把结点邻接矩阵和边邻接矩阵合并到了一起,共同来进行网络图中的社群分析。

继续阅读 »

g-Miner:多变量图上的交互式分组挖掘(g-Miner: Interactive Visual Group Mining on Multivariate Graphs)

定制模板以查找合适的分组

想象你是一个大型公司的人力资源部经理,你需要从几千名职员中挑选一群人组成一个项目团队。除了相互熟悉以外,他们也必须具备特定的能力。当有人退出时,你还需要快速地找到替代者,以保证团队的运营。在数据挖掘领域,类似的任务又被称作分组挖掘(Group Mining)。而事实上,每个职员都具备不同的能力,他们之间又有错综复杂的社会关系。你所面对的,其实是一张大规模的多变量图(Large-scale Multivariate Graph)。如何帮助用户在这种图上快速地进行分组数据挖掘,就是g-Miner这一工具 [1] 所要解决的问题。

继续阅读 »

单子探索:一叶知秋 (Monadic Exploration: Seeing the Whole Through Its Parts)

在日常学习、工作和生活中,人、事、物之间以各种各样的关系彼此关联着:人们之间存在着社交网络关注的关系;研究人员之间存在着项目合作、论文合作者的关系;著作之间存在着引用的关系等等。这些存在关系的数据构建出了一个关系信息空间。对这个空间进行浏览 (navigation) 有助于我们更好地探索其中存在的关系结构。而对关系信息空间进行浏览并不总是很容易的,尤其是当这个空间存在着异构的、或大规模的数据项。这篇文章[1]则提出了一种新的浏览关系信息空间的方法——单子探索

继续阅读 »

对高维数据集中显/隐性关系的交互式探索 (Interactive Exploration of Implicit and Explicit Relations in Faceted Datasets)

在高维数据集中,数据之间的关系大致可分为两种,即显性关系和隐性关系。其中前者指的是直接包含两个对象的具体的联系(connection),而后者指的是对象之间的共同点(comment point),是相对抽象的联系。譬如两国之间,航线连接是其显性关系,而两国具有相同的气候类型则是一种隐性关系。由于隐性关系只能通过特定的数据查询来发现,多数的可视化方法都只表现了数据的显性关系。Jian Zhao等人[1] 提出了结合图(Node-link Graph)和动态查询(Dynamic Query)的可视化系统PivotSlice,通过在图布局中展现查询结果,并辅以灵活完善的交互功能,来辅助用户同时探索数据的显性和隐性关系。

继续阅读 »