标签存档: 图可视化 - 第2页

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 »

多态社交网络可视分析:和社会学家的合作设计研究(Visual Analytics for Multimodal Social Network Analysis: A Design Study with Social Scientists)

传统的社交网络分析(Social network analysis,SNA)[1] 主要研究结点和边的关系,所有的结点都是同一类型的数据。但是,有的网络结点可能是不同类型的,比如论文合作关系,既有作者结点,又有论文结点,还可能有会议结点,机构结点等。这些所有的结点混在一起组成的社交网络,每一类结点我们称为一种模式(Mode),用传统的图分析方法就很难研究模式间的关系。研究这类社交网络的方法称为多态社交网络分析(Multimodal social network analysis,mSNA)。这篇来自IEEE VAST 2013的文章[2] 通过与社会学家合作,设计了一套针对多态社交网络的可视分析方法,首先针对mSNA抽象出来问题模型,然后设计了可视分析系统MMGraph,最后根据社会学家的反馈总结了研究人员如何和领域专家进行合作的流程。
继续阅读 »

对关系网络中模糊重叠的群体进行可视化(Visualizing Fuzzy Overlapping Communities in Networks)

可视化一个网络中群体的重叠关系对我们分析网络的结构、发现特殊个体具有重要作用。现在已经有了较多的工作来可视化确切重叠,其中最主要的方法是对重叠节点染色,或者使用欧拉图,凸包等形式来表现群体间的关系。但是可视化模糊重叠的工作很少,这篇来自2013年IEEE InfoVis的文章就是针对网络模糊重叠的可视化提出来一套新颖的布局算法,并给出来两个案例研究。
继续阅读 »

图形简化:通过使用扇形,连接器和团的图形符号提高网络可视化的可读性(Motif Simplification: Improving Network Visualization Readability with Fan, Connector, and Clique Glyphs)

在研究和分析网络时,我们会关注节点间错综复杂的关系,以及节点的性质。图的点边表示法能很好的解释网络特性,常用来分析复杂网络。但是随着网络规模的扩大,越来越多的节点和越来越复杂的关系使得在有限的显示屏幕下对网络的可视化与可视分析变得非常困难。为了解决这个问题,本文提出了一种图的简化方法,即“图形简化”法。这种方法把经常出现的具有代表性的点边模式表示成紧密的有意义的图形。

继续阅读 »

图中集合关系的可视分析

本文[1]是2013年EuroVis最新的图可视化工作,文中介绍了一种显示图中存在的集合关系的可视化设计,适合中小型图的可视化,可以丰富的展现图的多种属性,非常具有启发性。

图可以表很多抽象的关系数据,图中的节点往往具有多种属性。例如,在一个社交网络中,每个人是一个节点,他不但有自己朋友关系,还有各种各样的兴趣爱好,像喜欢听音乐,爬山,摄影等。依据这些兴趣爱好,我们可以把图分成几个集合,比如,喜欢爬山的人是一个集合的,喜欢听歌的人是另一个集合。因此,在图的基础上添加集合的信息,可以表现出更丰富的数据属性。

继续阅读 »

北京大学“可视化与可视分析”报告——Peter Eades教授“How to Draw a Graph,Revisited”

621日,国际著名计算机专家,弹簧画图算法发明人,悉尼大学教授Peter Eades访问北京大学。21日下午2点,Eades教授在北京大学理科2号楼2736学术报告厅作了一场题为“How to Draw a GraphRevisited”(重新审视如何作图)的精彩报告。讲座以时间为线索,回顾了图绘制的发展历史。(更多可视化与可视分析报告会通知请关注:http://vis.pku.edu.cn/seminar/index.html )

继续阅读 »