
现在,动态网络的分析已经被用于很多领域。而在其中,对个体的分析常常被称为自我中心网络(Ego-network)的分析。但是,现有的方法很难在宏观层次上分析很多的动态自我中心网络。本文[1]提出了一种新颖的将动态自我中心网络转化为空间布局的流水线,利用空间布局在宏观层次对自我中心网络进行分析,并基于这个流水线,提出了可视分析系统Segue。
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 »
生物学家经常会用网络来分析实验中的现象,比如细胞内分子的交互,电信号在神经元之间的传递,但是创建一个能够有效表现生物学信息的网络扔存在挑战。尽管有大量的自动图布局算法,但是这些算法没有利用网络中生物学信息,生成的布局效果没有实际意义;专家通常会利用自己的专业知识通过手动的方式对这样的网络布局,但是这样的布局方式效率太低,难以短时间内对大量网络数据生成有效布局。所以这篇文章通过众包的方式让普通用户在一定的准则下,帮助专家创建、评估网络数据的布局[1]。 继续阅读 »
在数据分析中,将知识和发现通过可视化的方式展现出来可以帮助分析者追踪、组织、综合自己的发现和问题。当分析者互相合作时,通过互相交流,这些可视化形式能够帮助分析者互相理解自己的发现,这被称为协同式意义构建(Collaborative Sensemaking)。然而在复杂场景下,如何在合作者之间明确的传递知识(Tranfer of Knowledge/Handoff) 仍然是一个挑战。在异步合作场景下,分析者由于时空限制或者隐私考虑等不能够直接见面或者交流,前一个分析者需要将自己的发现传递给下一个分析者,但是少有的分析系统能够满足这样的需求。本文提出了一系列可视化加护技术帮助异步合作者之间有效传递发现、知识。
本文提出了NEREX,为逐字会话脚本提供了一种探索性的交互式可视化分析方法。NEREX的切入点是从多方对话不同的角度给出了分析,通过链接的详细视图提供高层次的概述和提供机制的形成和验证假设。使用定制命名实体抽取,我们将重要实体抽象为十类,并用距离约束实体关系模型提取它们之间的关系。该模型符合逐字记录往往不合语法的结构,涉及两个实体是否在同一个句子中出现一个小的距离窗内。我们的工具使多方对话的探索性分析使用几个链接的意见,显示在文本的主题和时间结构。除了远程阅读,我们还为文本层次调查过程整合了密切的阅读观点。超越时空对话的探索性分析,NEREX帮助用户生成和验证假设并进行多元对话的比较分析。我们通过三名来自政治科学领域专家的定性研究,证明了我们的方法在2016届美国总统辩论中对真实世界数据的适用性。
除了传统的桌面显示环境,研究者们也在思考用其它的显示设备和更自然的交互方式设计可视化。这篇工作[1]将可被检测位置的移动设备和大屏幕结合起来支持图可视化的交互和分析;作者设计了一套全面的交互模型支持对图的交互、分析任务,包括选择、展示细节、焦点转换、交互式透镜、数据编辑等。 继续阅读 »
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 »
近期评论