标签存档: 动态网络

用持续同调方法检测动态图的结构变化(Visual Detection of Structural Changes in Time-Varying Graphs Using Persistent Homology)

动态图可视化对复杂网络分析等能起到关键作用,但由于动态图数据的复杂性,其演变过程的可视化形式一直难以确定,整体而言一般分为动画(Animation)和时间线(Timeline)两类。这个工作提出了一种用持续同调(Persistent Homology)来衡量动态图结构变化特性的方法,在此基础上提取特征以时间线的形式进行可视化,揭示动态图的异常变化和整体演变过程[1]。持续同调是拓扑数据分析(Topological Data Analysis, TDA)的主要工具,是近年探索性数据分析和数据挖掘领域中逐渐活跃的方向,有深刻的代数几何背景,将其引入可视化的特征提取是一次全新的尝试。

继续阅读 »

NEREx:多方会话中的实体关系探索(NEREx: Named-Entity Relationship Exploration in Multi-Party Conversations)

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。

继续阅读 »

基于自我中心线的动态自我网络可视分析方法(Egocentric Analysis of Dynamic Networks with Egolines)

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 »

结合三维矩阵体的动态网络数据可视化(Visualizing Dynamic Networks with Matrix Cubes)

动态网络(Dynamic networks)数据与动态图(Dynamic Graph)数据一直以为都比较复杂,随着数据量的不断增大,为动态网络的分析与可视化带来了极大的挑战。
另一方面,动态网络数据常常带有时间信息,而现有的时空高维数据可视化方法都有各种缺点,尤其是当图中节点密集时,现有的方法几乎都会遇到遮挡问题。

二维模型探索动态图数据已有很多种方法,如点边图 (Node-Link Diagram),邻接矩阵 (Adjacency Matrices) 等,这些方法可以很好地展现图中的节点自身的随时间变化的信息,但是节点以及节点之间关系的演化,在这些方法中比较难展现,尤其是节点个数多时,以及限制于一个视图中。
用三维模型将时空高维数据可视化,增加一个维度可以展现更丰富的信息,但是也会带来更加严重的问题,例如相互遮挡,目标物体选择困难,交互不方便等问题。

本文[1]提出了一个新的交互探索模型,Matrix Cubes,该模型使用3D cube作为视图中枢协调者 (pivot visualization),管理多个不同角度的切片视图,这些切片视图全是从3D cube中导出的。系统还提供了一系列的交互,例如,刷选 (brushing),链接 (linking),和过滤 (filtering),为深入探索动态图数据提供了有效的方法。

继续阅读 »

通过相关时间属性聚类支持动态网络的可视分析 (Supporting the Visual Analysis of Dynamic Networks by Clustering associated Temporal Attributes)

在之前的文章中我们介绍了一个混合了多种动态图展示技术的原型设计DiffAni,这个原型侧重于探索动态图的拓扑结构变化,无法检测和分析途中各节点或边的属性值变化。在此文中我们将介绍一个关注动态网络中节点和边的属性变化趋势的可视分析系统,该系统通过在时间维度上对节点或边的属性进行聚类,将原始的图数据划分成多个聚类,把每个聚类当作节点可以构造出一个超图(super-graph),超图可以对图中不同属性具有相同行为的节点或边的群组提供很好的全局视图,与此同时该系统还提供了一些具体的交互来探索和改善聚类结果,进一步指导用户分析动态网络。

继续阅读 »

DiffAni: 差异图和动画混合可视化动态图 (DiffAni: Visualizing Dynamic Graphs with a Hybrid of Difference Maps and Animation)

动态图数据的可视化是一个非常有挑战性的研究课题,它的难点有二:1. 在每个时间片图布局最优化和不同时间片中为帮助用户记忆而保持布局稳定之间的权衡,2. 在不同展现形式之间的权衡,如small multiples适合静态比较不同时刻图结构的变化,动画播放适合观看图在整体上的变化趋势。一种避免这些权衡的方式可能是将这些选择结合起来,提供一种混合的技术。于是 Rufiange 和 McGuffin 在对已有方法分类组合的基础上提出了一个新的原型DiffAni,即允许动态图在三种展现方式(small multiple, 差异图,动画)之间自由切换。

继续阅读 »