标签存档: graph layout

SetCoLa: 高层次限制的图布局语言(High-Level Constraints for Graph Layout)

有效的图布局可以帮助人们分析网络的拓扑结构,已有的许多工具,比如Gephi,D3都能够完成图布局的任务。计算图布局的时候,通常只考虑节点的拓扑信息,而对于特定领域的图,比如生物信息网络,布局时候还要考虑节点的属性信息。针对这样的特定领域(Domain-specific)图数据,虽然已有特定的布局方法,但是这些方法只能限定在该领域里使用,而不具有推广性。使用一般的布局方式,比如力导向布局来处理这些图数据,为了反映网络的特定结构,还需要对布局后的结果进一步调整,耗时耗力。本文[1]提出了一种更高层次的布局语言SetCoLa,可以有效结合结合图数据本身特点,对于布局的结构进行限制。

继续阅读 »

可视化不确定网络的概率图布局方法(Probabilistic Graph Layout for Uncertain Network Visualization)

不确定网络,在本文表示顶点是确定的(certain),边的存在与否满足某种概率分布的网络。在图1中,左图是确定网络(certain graph),右图是不确定网络(uncertain graph)。

在不确定网络可视分析中,现有的方法往往直接在确定图(exact graph)中用视觉变量(visual variables)表示不确定信息。这些方法可以很好的将图的拓扑结构展示出来,但忽略了不确定信息的概率分布情况。
在这篇文章[1],作者们提出一个概率图(probabilistic graph)布局方法。这个方法可以同时展示图的拓扑结构和不确定信息的概率分布。它的基本思想是,依据蒙特卡洛方法(Monte Carlo process)对不确定图进行采样;将采样获得图根据力导向算法进行布局;之后,将所有采样图的力导向布局组合起来,获得最后概率图的布局(如图2所示)。 继续阅读 »