交互式网络分析过程的简明概括

许多应用领域,如社会学、生物学、软件工程等,都涉及大型复杂网络。对这样的网络进行分析绝非一件简单的事,因为它通常需要多次交互才能得出结果。因此,对分析师来说,分析过程和分析得到的结果同样重要,值得保存和共享。关键是如何抓住和总结分析中的重要步骤。

加利福尼亚大学戴维斯分校Kwan-Liu Ma教授团队介绍了一个排位模型和一个约简算法。该模型可以识别网络分析中采用的重要交互并加以排序。基于这个模型,算法能够最大程度简化分析过程,同时仍然保留了回顾、重用、再现和共享分析过程和结果的所有重要步骤。他们利用上述模型和算法创建了一个原型系统,通过两种应用情景展示设计的有效性。 

Concise provenance of interactive network analysis

Takanori Fujiwara, Tarik Crnovrsanin, Kwan-Liu Ma

Link:https://www.sciencedirect.com/science/article/pii/S2468502X1830055X

排位模型--V2D2

V2D2模型描述了如何对网络分析中的交互进行分类、所记录的每一交互层的重要性,显示相关的变化以及当前交互层和其他交互层之间的依赖关系。

图1:V2D2模型

V2D2模型包括4个层面的交互:
  • 视图层面交互(VLIs):用于视觉强调(例如高亮显示)和视图导航(例如缩放和平移)。

  • 视觉结构层面交互(VSLIs):更改数据的可视映射方式。例如,网络布局(例如,改变结点位置)和改变实体值的映射(例如,改变结点颜色或尺寸大小)均属于这一类。

  • 数据选择层面交互(DSLIs):更改数据的可见性,包括基于某个实体值对结点进行筛选。

  • 数据更改层面交互( DCLIs ):对数据值进行操作或生成新数据。例如,编辑实体值和将多个结点/链接聚集在一起。

图2:关于学生和他们喜欢的运动的之间关系的网络分析中的4种层面交互:VLI、DSLI 、VSLI、 DCLI。

约简算法


该算法致力于精简关键帧之间不必要的交互。首先,分别在交互过程的开头和结尾处设置两个默认的关键帧。算法可以采用自动或手动方式选择其他关键帧。这使得分析师可以通过明确指出那些必要的步骤来表明他的意图。注释通常用于指示新的发现或添加更多解释。因此,我们也将含有注释的步骤作为关键帧。要使算法能正常工作,必须在所有步骤中记录DCLI和DSLI,而在每个关键帧处则必须记录VSLI。VLI不需要记录,但算法可以使用它们的历史记录(如果已有保存)。我们的算法不仅保留了关键帧处的数据状态和可视化视图,还最大限度地减少了不必要的步骤,并记载了每个关键帧之间的分析思路。
  • 减少数据更改交互(图3算法3-9 行)

  • 减少数据选择交互(图3算法10-16 行)

  • 最小化可视表示的变化(图3算法17-20 行)

    图3:约简算法

    原型系统

    图4:原型系统。在( a )中,分析师可以通过属性图( PG )、实体图( EG )、详细列表( DL )和交互历史( IH )来分析多变量网络。在( b )中,分析师可以选择想要的关键帧并创建一个简化的过程记录,如RH所示。然后,分析师可以在呈现模式下进行可视化。

    情景分析

    图5:校园欺凌网络分析图

    图6:推特信息交流的网络分析图参考视频

    全文信息

    Concise provenance of interactive network analysis

    Takanori Fujiwara, Tarik Crnovrsanin, Kwan-Liu Ma

    Abstract: Large, complex networks are commonly found in many application domains, such as sociology, biology, and software engineering. Analyzing such networks can be a non-trivial task, as it often takes many interactions to derive a finding. It is thus beneficial to capture and summarize the important steps in an analysis. This provenance would then effectively support recalling, reusing, reproducing, and sharing the analysis process and results. However, the provenance of analyzing a large, complex network would often be a long interaction record. To automatically compose a concise visual summarization of network analysis provenance, we introduce a ranking model together with a reduction algorithm. The model identifies and orders important interactions used in the network analysis. Based on this model, our algorithm is able to minimize the provenance, while still preserving all the essential steps for recalling and sharing the analysis process and results. We create a prototype system demonstrating the effectiveness of our model and algorithm with two usage scenarios.

    Key words: Interactive visualization, Network data, Provenance, Visual analytics

理论计算机视觉
2
暂无评论
暂无评论~