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 »
TensorFlow是谷歌开发的、当下最流行的机器学习软件库之一。它采用数据流图（Dataflow Graph）来表达机器学习算法的计算过程，用户可以定制不同的数据流图来构建自己的算法。然而，随着深度学习的兴起与流行，各类神经网络渐趋大规模、复杂化。算法开发者仅凭借自身的理解与记忆、很难把握算法的各部分体系结构，相互之间也难以进行沟通。为此，这篇文章[1]提出了可视化工具TensorFlow Graph Visualizer，通过可视分析帮助用户在TensorFlow中进行算法分析与开发。值得一提的是，该文章荣获了IEEE VAST 2017的最佳论文奖（Best Paper Award）。
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 »
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。
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。
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。
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。
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。
近期评论