标签存档: information visualization

插值”快乐”:理解不同文化中表情符号的强度层次 (Interpolating Happiness: Understanding the Intensity Gradations of Face Emojis Across Cultures)

互联网时代发展,使得(文本)线上交流变得十分普遍。尤其在当前受到COVID-19的影响,线上办公变得更加普遍,线上交流也成了一种非常主流的交流方式。而这种交流方式不可避免的带来一些问题:由于不能使用语气、手势、肢体语言等进行对文本的互补,使得我们容易造成一些误解。这时穿插在文本中的表情包,尤其是内嵌在我们输入法中的emoji表情变得十分受用。然而使用这些emoji还是会不可避免的造成一些模糊以及语义歧义,作者通过提供一个emoji到人类基本情感的强度映射表来解决这些歧义,并通过大规模用户调研,验证这个映射表对不同文化背景用户的鲁棒性。

继续阅读 »

可读写可视化的设计阐述(Design Exposition with Literate Visualization)

本文提出了一种易读可视化的概念,作为一种新的可视化设计与交流的方法。这种方法能够将编写数据可视化代码的过程与导致实现(设计说明)的设计选择的描述集成在一起。本文首先探索了四种针对不同用户的可视化设计的模型,包括评价者,自主设计者,说教者,以及理性主义者。易读可视化的关键点在于,文档集成了实时编码的输入,输出的呈现与文本描述。该方法编写文本描述的成本较低,鼓励结构化可视化设计以及文档书写。本文提出了一个新的开放源码的可视化环境,Litvis,它基于通过功能编程语言ELM与可视化的描述性语言Vega和Vega-Lite的声明性接口相结合。

继续阅读 »

SMARTexplore: 通过基于表格的可视分析方法简化高维数据分析(SMARTexplore: Simplifying High-Dimensional Data Analysis through a Table-Based Visual Analytics Approach)

高维数据通常以表格形式提供,可视化高维数据通常会将它转换为抽象表示。常见的高维数据可视化方法有散点图矩阵,平行坐标,线性和非线性投影。虽然这些方法对于高维数据的分析是有效的,但是它们与记录和维度的交互却不够直观。分析人员需要心理的努力来将原始格式的记录,维度和值与可视化中的表示相互关联,反之亦然。因此,非可视化专家通常需要培训才能掌握这些可视化方法,而且这种抽象表示也会影响他们对所揭示模式的信任。因此,本文[1]提出了可视分析系统SMARTexplore,希望通过熟悉的基于表格的可视化分析方法,简化高维数据中相关性、聚类、异常值以及其他模式的识别和理解。

继续阅读 »

利用在线评论轻松比较本地企业 (Towards Easy Comparison of Local Businesses Using Online Reviews)

随着电子商务的快速发展,越来越多的在线评论网站,如Yelp,帮助客户做出更好的购买决策。查看其他客户的在线评论,包括评级得分和文本评论,并进行不同业务之间的比较是做出最佳决策的关键。然而,由于在线评论数量巨大,用户评级标准存在潜在差异,以及评论的时间、长度、细节和质量等各有不同,客户很难实现快速和全面的比较。本文[1]介绍了基于在线评论的精心设计的可视化分析系统E-Comp,用以帮助客户不同详细程度地比较本地企业。

继续阅读 »

非线性点图(NonLinear Dot Plot)

柱状图(histogram)和点图(dot plot)是展现数据分布的两种不同的可视化方法。传统的点图使用节点大小一致的节点,直接将数据元素放置到对应的x轴位置处,相对于柱状图的可视化方法,点图是一个更加精确的可视化表现形式,使得其更加容易被用户理解,同时可以支持用户更加简单直观地得到元素的数量。对于大规模的高动态范围数据,在很多情况下用户希望获取数据量较小的数值,但是为了支持用户对于这一范围数据的感知与分析,柱状图支持用户将传统的柱状图转换为非线性的柱状图进行表示。但是对于点图却没有一个合适的可视化方法支持用户的分析,本文的工作提出了一种新的可视化形式,非线性点图,从而支持用户对于大规模的高动态范围的数据进行可视化,更好的感知数据集中数据量较小的异常值。[1]

继续阅读 »