交互式网络分析的简明可视化摘要

视觉信息学2（2018）213交互式网络分析的简明出处Takanori Fujiwara，Tarik Crnovrsanin，Kwan-Liu Ma美国加州大学戴维斯分校ar t i cl e i nf o文章历史记录：接收17十月2018收到修订版2018年12月11日接受2018年12月13日在线发售2018年保留字：交互式可视化网络数据来源可视化分析a b st ra ct大型复杂网络在社会学、生物学和软件工程等许多应用领域都很常见分析这样的网络可能是一项不平凡的任务，因为它通常需要许多交互才能得出一个发现。因此，在分析中捕捉和总结重要步骤是有益的。然后，这种出处将有效地支持调用、重用、复制和共享分析过程和结果。然而，分析一个大型复杂网络的起源往往是一个很长的交互记录。为了自动组成一个简洁的可视化摘要的网络分析出处，我们引入了一个排名模型与约简算法。该模型识别并排序网络分析中使用的重要交互。基于这个模型，我们的算法能够最小化出处，同时仍然保留所有必要的步骤，以回忆和共享分析过程和结果。我们创建了一个原型系统，展示了我们的模型和算法的有效性与两个使用场景。2018浙江大学出版社版权所有由爱思唯尔公司出版这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍当目标是研究不同实体（如人）之间的关系时，网络是信息的自然表示。因此，网络分析适用于各种学科，包括社会网络分析（Bezerianos et al. ，2010; Crnovrsanin et al. ，2014）、生物学（Chen和Sharp，2004; Gehlenborget al. ，2010）和软件工程（Byelas和Telea，2009; Martins et al. 2017年），以及其他许多。 在研究大型网络时，可视化通常用于提供网络结构的概述和分析指南（Von Landes-berger et al. ，2011年）。此外，在现实世界应用中发现的网络数据感兴趣的实体）和每个链路（即，兴趣关系）具有多个属性。因此，网络的许多方面都是可探索的。例如，我们不仅可以看到学生之间的友谊，而且还可以了解学生与他们的成绩，性别和种族之间的关系。通过研究这些关系，我们可以揭示可能影响他们关系的未知背景因素，例如跨性别互动对学生攻击性的影响（Faris和Felmlee，2011）。然而，节点和链路上的多重属性也使网络更加复杂.可视化大型复杂网络是一项挑战，因为一次性可视化所有信息很容易让分析师不知所措许多以前的可视化*通讯作者。电子邮件地址： tfujiwara@ucdavis.edu（T. Fujiwara）。同行评议由浙江大学和浙江大学出版社负责。https://doi.org/10.1016/j.visinf.2018.12.002对这些网络的研究集中在设计用于汇总和与数据子集交互的方法（Von Lan-desberger et al. ，2011; Shen et al. ，2006; Pretoriusand Van Wijk，2008; Van den Elzen and Van Wijk，2014; Caoet al. ，2015）。虽然这些方法促进了网络探索，但是每个探索或分析任务通常需要许多步骤（例如，选择，过滤器和聚合）来完成（Kerren et al. ，2014年）。提供出处的可视化-“整个分析过程中的变化和进步的历史”（Ragan et al. ，2016年）-是必要的回忆，再现，重用，并分享分析过程和结果（Ragan等人。，2016年）。在网络分析的背景下，只有少数研究考虑了种源可视化（Chen et al. ，2012; Dunne et al. ，2012; Gou et al. ，2012;Gotz and Zhou，2009）。虽然这些研究提供了探索历史的方法，但它们并不试图建议分析师必须审查的步骤或系统应该记录的步骤。在实践中，在进行交互式网络分析时，分析人员经常采取许多不必要的步骤， 任何新的发现。从所有分析步骤中找出与结果相关的步骤是一个艰苦的过程。理想情况下，来源可视化应该显示发现过程的相关步骤的简明解释。然而，确定应该存储和显示哪些步骤是一项重要的虽然我们希望只保留用于产生结果的相关步骤，但我们也必须确保不丢弃任何关键信息。如图1所示，一个取自Chan等人（2010）的例子，一个步骤将重复的作者节点（青色）从（a）合并到（b）。下一步过滤掉度低的作者节点，得到（c）。由于（b）中的合并已经影响了（c）中的过滤结果，如果中间步骤（b）不2468- 502 X/©2018浙江大学和浙江大学出版社。由Elsevier B. V.发布，这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表视觉信息学期刊主页：www.elsevier.com/locate/visinf214T. Fujiwara，T.Crnovrsanin和K.-L. 硕士/视觉信息学2（2018）213Fig. 1. 用于分析研究实验室出版物的网络（Chan et al. ，2010年）。绿色和青色节点分别表示文档和作者。（a）中的每组重复作者姓名合并到（b）中的一个青色方形节点中。在（c）中，过滤掉低学位的作者以突出显示更重要的作者，并重新计算图形布局。如图所示，其他人无法理解最终的图表(c)由原始网络（a）导出这也可能导致错误的解释。在本文中，我们介绍了一种方法，为交互式网络分析生成有效的出处可视化我们设计的基础是一个排名模型，我们称之为V2D2 （ View ， Visual-structure ， Data-selection 和 Data-changelevels）。该模型不仅对交互的重要性进行了排序，而且给出了交互之间的依赖关系有了这个模型，我们可以决定哪些交互应该被记录，以避免将巨大的数据存储空间用于不重要的交互。基于V2D2，我们还引入了一个约简算法，以产生一个简洁的视觉摘要。我们证明了我们的设计与两个使用场景的有效性。2. 相关工作Ragan等人 （2016）提供了一个全面的调查证明在可视化和数据分析。根据他们的调查结果，他们对来源地的目的和类型进行了证明可用于帮助分析人员回忆、重现、重用、共享、呈现和元分析分析过程和结果。我们的工作考虑了所有这些目的，除了荟萃分析。来源的类型根据数据的更改历史、可视化、交互、见解和推理进行分类虽然我们主要关注交互起源，但我们的方法也捕获数据，可视化和洞察起源。Gotz和Zhou（2009）调查了视觉分析中使用的交互，并根据用户的意图对其进行了分类数据、视觉和历史变化）以将交互与洞察起源相关联然而，它们的分类并没有提供关于哪些交互应该被记录或与他人共享的信息。视觉分析通常会产生一系列的交互来得出一个结果。因此，该信息对于有效地管理交互记录是重要的。由于种源往往有大量的历史记录，一些研究者试图总结种源可视化 （ Stitz et al. ， 2016; Gou et al. ， 2012 ） 。 例 如 ， Stitz et al.（2016）开发了一个可视化的数据来源，通过生物医学研究中使用的工作流程生成。由于这些工作流定期生成数百个数据更改记录，因此他们通过在工作流中使用层次结构来聚合记录。此外，由于他们的起源可视化使用节点链接图，他们进一步简化了可视化中的记录与图形聚合技术。Gou等人（2012）网络分析的他们决定抓住除了视觉探索之外的网络上的交互（例如，缩放和平移）以避免生成大记录。此外，它们还提供了一种方法来手动分组一系列连续的交互操作，以简化可视化。我们的工作也是对网络分析的相互作用起源然而，我们的V2D2模型提供了一套更通用的规则，如何记录的重要性的相互作用。此外，我们的约简算法可以自动减少不必要的步骤，连续和不连续的相互作用系列。除了Gou et al. （2012），还有其他关于交互式网络分析的起源可视化的研究。例如，Chen等人（2012）用图形抽象和匹配算法描述了计算机网络的可视化起源。Dunne等人（2012）在多元网络分析中显示了多个用户Liang et al.（2016）描述了一个网络的交互历史与空间填充可视化技术，以帮助用户在分析过程中返回到他/她想要的状态。与上述工作相比，我们通过自动记录和提取导出分析结果的必要步骤来生成简洁的交互起源3. 方法我们描述了V2D2模型，历史管理和还原算法的起源可视化网络分析。首先，我们介绍V2D2模型，如图2所示，它对可视化网络分析中使用的交互级别进行了分类。然后，我们说明了我们的V2D2模型是如何用于历史管理。最后，我们介绍了我们的减少算法，最大限度地减少不必要的交互步骤，以使一个简洁的证明，nance可视化。3.1. V2D2模型我们的V2D2模型，如图所示。2.描述了网络分析中交互作用的分类、每个交互作用级别此外，由于当网络是多元的时，节点和链接（实体）包含关联信息（属性），因此V2D2模型还考虑实体和属性之间的依赖性T. Fujiwara，T.Crnovrsanin和K.-L. 硕士/视觉信息学2（2018）213215图二. V2D2模型。该模型包括相互作用的分类、它们被记录的重要性、显示相关变化的重要性以及所述相互作用的依赖性。依赖项中箭头的颜色显示不同类型的依赖项。3.1.1. 相互作用我们对相互作用水平的分类是基于Wybrow等人的" s分类（Wybrow et al. ，2014），它描述了网络分析中发现的交互 我们使用这种相互作用分类，因为它既适用于标准网络，也适用于多变量网络（Wybrow et al. ，2014年）。它们的分类包括三个交互层次：视图级、视觉结构级和数据级。然后，这些级别进一步细分为子级别。例如，数据级别被细分为我们使用这些细分的级别作为数据级交互的基础，因为它们对来源可视化的依赖性存在很大差异（有关更多详细信息，请参见第3.1.3因此，V2D2模型具有四个交互级别：视图、视觉结构、数据选择和数据更改级别。我们在下面列出了每个交互水平的简短描述（参考Wybrow etal. ，2014年获得更多详细信息）。视图级交互（VLI）VLI用于视觉强调（例如，突出显示）和视图导航（例如，缩放和平移）。然而，它们不会改变视觉结构（例如，节点位置和可视编码）、数据的可见性或数据本身。视觉-结构级交互（VSLI）VSLI改变数据的视觉映射。例如，网络布局（例如，改变节点位置）和改变实体值的映射（例如，节点颜色或大小变化）包括在该类别中。数据选择级别交互（DSLI）DSLI更改数据的可见性，包括基于特定实体值过滤节点数据更改级别交互（DCLI）DCLI操作数据值或生成新数据。例如，这些交互包括编辑实体值和聚合多个节点/链接。为了使我们的模型更容易理解，我们使用了图3所示的简单场景。一位分析家对学生和他们对体育的兴趣之间的关系感兴趣。图3中用灰色、棕色、黄色和粉红色突出显示的相互作用分别属于VLIs、VSLI、DSLI和DCLI类别首先，分析师添加student和sports节点，分别如步骤1和2所示。然后，分析师更新网络布局以减少混乱（步骤3）。分析师更新颜色映射，以清楚地区分体育和学生节点（步骤4）。他/她在'' karatee ''节点上发现拼写错误，并将其重命名为''karate ''（步骤5）。随着进一步的研究，分析人员意识到“未知”的运动节点是足球，并相应地对其进行重命名（步骤6）。分析师意识到“footbal”是意外的拼写错误，并继续修复它（步骤7）。然后，他/她将“空手道”和“拳击”聚合为“武术”（步骤8）。聚合导致一个学生节点重叠，分析师将该节点移动到更好的位置（步骤9）。之后，为了专注于分析大的聚类，他/她过滤出“网球”节点和相应的学生。(Step10）。最后，分析师将网络平移到中心（步骤11）。3.1.2. 记录历史和显示相关变化的重要性交互历史用于多种目的：回忆，复制，动作恢复，协作交流，演示和荟萃分析（Ragan etal. ，2016年）。基于分析任务和外部因素，所需的交互历史量将有所不同。记录所有的交互通常是不现实的，因为交互的数量很容易压倒一切。确定记录哪些信息对再现和系统设计都有影响（例如，数据存储空间以及用于示出所记录的交互的可视化的可缩放性）。因此，了解每个交互层次的相对重要性有助于更好地设计系统以完成给定的任务.在这里，我们描述了记录每个交互的重要性，以及显示由交互引起的相关变化的重要性互动最重要的交互是DCLI。由于DCLI会更改数据，因此可能会混淆以前的操作，从而难以回忆、复制或共享过去的结果。例如，从图5中的步骤5到步骤8。 3、分析师将“未知”运动节点编辑为“足球”，将“空手道”和“拳击”节点聚合为“武术”。如果这些互动没有被记录下来，“足球”和“武术”节点的推导过程此外，如果不分享这些互动，其他分析师无法理解结果是如何实现的DSLI也可能是重要的步骤，因为分析师的意图通常决定应该显示哪些数据。例如，分析师在图10的步骤10中过滤掉了一个小集群。3、关注大的集群。这些相互作用的历史显著地帮助分析师回忆分析过程（Ragan et al. ，2015）。而且如果不包括这些上下文，其他分析师很难理解分析结果背后的上下文。此外，正如我们在3.1.3节中所描述的，如果没有DSLI的历史记录，我们就无法恢复过去更改可视化的操作另一方面，VLIs和VSLI的变化不太重要。例如，即使我们没有VLIs的历史，结果也是可再现的，并且可视化具有足够的透明度。VSLI比VLIs更重要，因为它们会影响分析师的心理地图（Purchase et al. ，2006）（分析师在可视化结果中具有的信息的图像）和回忆过程。例如图 3、更新布局和改变步骤3和步骤4中的颜色映射分别对心理地图有显著的影响。此外，分析师可以在使用VSLI时做出关键决策。例如，当分析员将通过降维生成的网络布局更改为使用节点属性值作为x和y坐标的2D图时（例如，人口和犯罪率），分析员可能试图揭示数据中的某些特定方面（例如，人口与犯罪率之间的相关性）。如果这一进程在促进新的发现方面有很强的效果，那么这一进程应该与其他进程分享。216T. Fujiwara，T.Crnovrsanin和K.-L. 硕士/视觉信息学2（2018）213图三. 分析步骤的例子。每个方框中的网络显示每个步骤的可视化结果。3.1.3. 变序的不确定性网络分析通常需要许多交互才能获得结果。因此，当我们想从交互历史中生成一个简洁的证明时，我们应该删除或聚合不重要的步骤。 为了实现这一点，我们需要考虑相互作用顺序的依赖性，如图所示。2，下面描述。数据依赖性DCLI在所有级别的交互之间都有依赖性DCLI依赖于以前的交互，因此，顺序不能更改。例如图3，步骤4和步骤8都对“karatee "节点进行了更改（步骤4：将”karatee"编辑为“karate”;步骤8：聚合“karate "和”boxing"节点）。这些节点的顺序不能更改为此外，我们不能重新定位同样的限制也适用于突出显示节点或利用自动视图导航（Wybrowetal. ，2014）。可见性依赖性改变每个实体或属性的可见性对数据本身没有影响，但对视觉结构和视图级别有影响。例如，节点和链接的可见性对网络布局有影响（例如，应用力导向布局），如图3的步骤3中所应用的。3 .第三章。当节点或链接未显示时，也无法显示视觉强调（VLI）。连续交互依赖性VLIs和VSLI具有连续交互依赖性。这些依赖关系需要当连续使用相同的相互作用时，应考虑到这一点。例如，在VLI中，当分析员连续缩放时，该序列中的顺序类似地，作为视觉-结构级交互的示例，当分析员连续地改变一个节点位置时，该连续顺序也不能改变。然而，这种依赖性只发生在相同的交互中。因此，我们可以改变视图和视觉结构级别中的不同交互之间的缩放和平移可以被重新排序）。在分析多变量网络时，我们还需要考虑实体和属性之间的依赖关系。实体上的DCLI、DSLI和VSLI依赖于属性上的相应交互级别。例如，如果分析员在图11中的步骤11之后添加“年龄”作为“学生”实体的属性，3，然后根据他们的“年龄”聚合3.2. 历史管理我们提出我们的历史管理作为一个例子，控制的互动历史。为了提供有效的历史存储和恢复，我们使用不同的数据结构（树和嵌套列表）的基础上的每个交互级别的特点。T. Fujiwara，T.Crnovrsanin和K.-L. 硕士/视觉信息学2（2018）213217DHDDD+=· · ·||−DD=图四、 历史管理树。节点中的每个数字代表一个步骤。此示例显示了从步骤0到步骤6的交互步骤在第2步和第4步，用户分别跳至第1步和第2步。图五. 数据更改历史树。每个节点具有步骤号和指示网络中的节点或链路的ID。树的每个链接具有一个DCLI的信息。具有橙色背景的节点与图4中从步骤0到步骤6的路径相关。用户应用交互如下：聚合ID 1和2，编辑ID 3，跳到步骤1并编辑ID 3，聚合ID 3和4，跳到步骤2并编辑ID 3。聚合ID 3和5，编辑ID 7。3.2.1. 履历管理树我们的历史管理支持历史分支，这是当分析师在访问先前状态时使用交互时生成的（例如，使用撤消或跳到先前状态）。类似于（Heer et al. ，2008），我们将该信息存储在树结构中，如图1B所示。四、我们可以通过引用这个树和给定的开始和结束步骤来获得用于到达所选状态的步骤。例如，在图4中，步骤0、1、2、5和6中使用的交互需要从步骤0到达步骤6。通过使用这样的路径，我们可以获得两个步骤之间的相互作用。这用于动作恢复和我们的归约算法。3.2.2. 数据更改历史树由于DCLI具有自依赖性，如第3.1.3节所述，因此当我们提供与此依赖性相关的功能时，记录DCLI、受影响的节点和链接的顺序非常重要（例如，最小化第3.3.1节中描述的DCLI）。因此，我们使用树结构来存储DCLI的交互历史，如图所示。五、树中的每个节点具有指示网络中的节点/链路的ID和步骤号。树中的每个链接都有一个按DCLI分类的交互通过历史管理树，我们可以获得在达到所选状态的步骤中受影响的节点/链路。例如，数据改变历史树中与从步骤0到6的路径相关的节点（即，0、1、2、5和6）在图5中突出显示。由突出显示的节点组成的子树中的根和叶分别指示在应用交互序列之前存在的以及在应用交互序列之后生成/编辑的节点/链接。此外，通过遍历子树，我们可以获得应用于每个节点或链接的交互。这个特性也被我们的约简算法所利用。3.2.3. 可视元素和可视编码历史记录列表我们将可见性信息存储在嵌套列表结构中，因为DSLI没有自依赖性。该嵌套列表具有与整个步骤集相同的长度，并且列表的每个元素具有可见元素的列表（即，节点或链路）。此方法不为可见性信息使用额外的内存空间有关视觉编码的信息（位置、颜色、大小等）也存储在嵌套列表结构中，并且具有与总步骤数相同的长度。为了减少内存空间的使用算法1用于种源可视化的输入：关键帧k、历史管理树、数据更改历史树、可视元素历史列表V、可视编码历史列表E输出量：简化数据变更历史树’，减少可见元素列表V′，简化的视觉编码列表E′1：′φ，V′φ，E′φ2：对于i0，1，k1.使用时最小化数据更改级别的交互3：ki=k[i]，ki+1=k[i+1]4：求出H中从ki到ki+1的路径p。5：从D中获得子树Ds，其节点在p中具有步长。6：从D中删除不必要的拆分。7：从D中删除不必要的聚合。8：从% s中删除不必要的编辑。9：合并sin ′。最小化数据选择级别的交互10：分别获得Ds的根节点和叶节点作为Bi和Ai。11：Vki+1=V[ki+1]12：当Bi=φdo时13：在V插入Bi（Vki+1Ai14：从Bi遍历到其在Ds中的目标节点T。15：获得D s中T的源节点S。16：从B i中删除S，并将T添加到B i。最大限度地减少视图和可视化结构级别的交互17：获得V′中包括的所有可见元素N。18：对于N中的每个n，19：从来自步骤k i 1的最近使用的E获得n的视觉编码e。20：在E′中附加e。第二十一章：returnD′，V′，E′对于每个步骤中的可见节点，仅存储在列表的每个元素此外，有关视图的缩放和平移的信息（视图级信息）可以存储在此嵌套列表中。3.3. 物源可视化的约简算法我们介绍我们的减少算法，利用V2D2模型。该算法致力于减少关键帧之间不必要的交互。默认情况下，分别在交互历史的开始和结束处设置两个关键帧。然而，我们的算法可以采取额外的关键帧，无论是选择自动或手动。这允许分析师明确指出必要的步骤来告诉他/她的意图。注释经常使用 以表明新的发现或添加更多的解释。因此，我们认为，我们还考虑将注释用作关键帧的步骤。为了使算法工作，必须在所有步骤记录DCLI和DSLI，而VSLI必须至少在每个关键帧记录。然而，不需要记录VLI，尽管算法可以利用它们的历史（如果可用的话）。 这些要求对应于V2D2模型中讨论的记录历史的重要性。我们的算法不仅保留了关键帧处的数据和可视化的状态，而且最大限度地减少了不必要的步骤，并保持了每个关键帧之间的心理地图算法1描述了我们的算法。出于本文的目的，我们假设使用第3.2节中描述的历史管理方法记录历史。但是，也可以使用其他管理方法。我们将代码分为三个阶段：最小化DCLI，DSLI和视觉表示的变化′218T. Fujiwara，T.Crnovrsanin和K.-L. 硕士/视觉信息学2（2018）213+++公司简介∪+见图6。减少DCLI的示例。(a)对同一节点的编辑被替换为一个编辑，（b）生成一个聚集节点的多个聚集可以被最小化为一个聚集，（c）可以通过保存先前聚集之前的节点的状态来去除不必要的分裂。3.3.1. 最小化DCLI（算法1中的第3数据依赖影响所有的交互级别，因此，我们的算法减少DCLI第一。此最小化的主要目标是排除所有不必要的DCLI，以达到关键帧处的状态。我们的算法支持Wybrow等人讨论的所有DCLI。（2014）：编辑数据值、聚合节点/链接和标注。虽然注释没有减少，因为它们被认为是关键帧，如前所述，该算法减少了任何不必要的编辑，聚合或分裂。首先，如图所示。6（a），我们将同一节点或链接上的多次编辑视为一次交互。第二，通过将任何不必要的聚合压缩到单个聚合步骤中来减少它们，如图所示。6（b）.最后，我们通过删除先前聚合和当前拆分之间的任何交互来避免不必要的拆分，如图所示。6（c）.为了有效地最小化DCLI，我们在遍历数据更改历史树时，最小化不必要的拆分会取消相关的聚合和编辑，而最小化不必要的聚合只会取消重新聚合。后期编辑图7（b）示出了在最小化后的结果。最小化图中的DSLI。7（b）.步骤1、2和8在图中。7（b）减少到图1步骤1所示的一个步骤。第7（c）段。虽然简化的DCLI详细显示了达到关键帧状态所需的多个步骤这种差异符合在V2D2模型中显示相关变化的重要性。3.3.3.最小化视觉表示的变化（算法1中的第17最后一个阶段最大限度地减少与VLI和VSLI相关的更改，同时在关键帧之间提供稳定的布局，从而在所有步骤中为节点和链接分配稳定的位置此外，它减少了视觉映射中不必要的变化颜色或大小映射到数据值）。虽然有几种方法来生成稳定的布局（例如，Purchase和Samra，2008年;Archambault和Purchase，2012年），我们在每个关键帧处保持节点位置以保留心理地图。对于Vki+1<$Ai中的节点（即，不相关的节点/链接图7（a）中的分析步骤。通过减少编辑，图7（a）中的步骤6和7被最小化为图7（b）中的步骤5。类似地，通过减少聚合，图7（a）中的步骤5和8变为图7（b）中的步骤63.3.2. 最小化DSLI（算法1中的第10主要目标是以最少的步数在每个关键帧处实现节点和链接的相同可见性状态为了在处理对DCLI的数据依赖时达到这样的状态，数据可见性需要满足两个条件：（1）与DCLI相关的节点和链接应该在数据改变发生之前被显示(2)关键帧处的相同可见性状态应当在该关键帧之前达到。这些条件可以用如下的最小步骤来满足。通过引用关键帧ki处的状态和ki+1，我们可以得到在ki（用Vki表示）和ki1（用Vki1表示）的可见节点和链路。在最小化ki和ki1内的DCLI之后，我们可以获得应用减少的交互之前和之后的节点和链路（用Bi和Ai表示）。在前一个key帧之后的步骤中，该算法显示Bi（Vki1Ai）中的节点和链路，并隐藏Vki中的其他无关节点和链路。之后，算法应用减少的相互作用，直到ki+1处的状态。 图7（c）显示了之后的结果DCLI），我们在ki和ki+1之间的关键帧ki+1处维持节点/链路位置及其视觉编码。剩余的可见节点/链路在Bi Ai中（即，与DCLI相关的节点/链路）。这些节点/链路需要示出在每个减少的DCLI处生成以从Bi到达Ai的状态的中间节点/链路（用Mi表示）我们的算法将这些Ai，Bi和Mi放置并可视化，其中位置和视觉编码记录在交互历史中最接近ki+1之前。另一种方法是使用位置和视觉编码最直接后ki;然而，通过向后工作，我们的算法可以提供更接近/更相似的状态，结果在ki1。图7（d）展示了这种最小化。通过参考图7中步骤7中的更接近的位置和颜色，7（c），图中每个步骤的节点。7（d）被放置在与最后一步相似的位置和颜色。图7，在应用每个最小化之后，将12个步骤减少到4个步骤，同时保留重要步骤。请注意，即使网络具有3.1节中描述的属性依赖性，我们的算法仍然可以使用。通过首先对属性然后对实体应用上述算法阶段，可以解决对属性的依赖性T. Fujiwara，T.Crnovrsanin和K.-L. 硕士/视觉信息学2（2018）2132194. 原型系统见图7。 使用和不使用归约算法的分析步骤示例。显示的实体。根据属性图中的详细列表（DL）。8（a）提供每项财产的价值我们的原型系统，如图所示。8，应用第3节中描述的V2D2模型、历史管理和归约算法。此外，我们的原型集成了CLUE模型（Gratzl et al. ，2016）到OntoVis（Shen et al. ，2006年）。我们选择OntoVis作为类似的可视化技术，它在几个作品中被采用，并且仍然是探索多变量网络的流行方法（Peng和Si-Kun，2011;Shi et al. ，2014; Jia-Kai et al. ，2017 年）。 整合CLUE 模型（Gratzl et al. ，2016年）允许分析师在“探索模式”（数据分析）、“创作模式”（生成来源可视化）和“呈现模式”（呈现/查看来源可视化）之间无缝切换。该系统的演示视频可以在网上找到。14.1. 探索意见图图8（a）显示了我们系统的用户界面。我们的原型系统由多个视图组成，从概述到细节。 我们采用OntoVis的概念（Shen etal. ，2006）在图8（a）中的属性图（PG）中。它提供了实体所具有的不同属性之间的关系PG还提供了基于所选属性过滤实体的方法（更多细节请参见Shen et al.（2006））。图中的实体图（EG）。8（a）将以下关系可视化：1 补充材料，https://takanori-fujiwara.github.io/s/prov-vis/。以及信息的程度（例如，节点度）。顶部的搜索区域允许分析人员基于其值和/或程度。最后，交互历史（IH）显示在图1的左侧。第8（a）段。图标指示完成的交互类型，而数字指示步骤编号。图标如下：初始状态、重新计算网络布局、删除选定元素、添加选定元素、编辑数据值、聚合选定节点、拆分选定聚合节点、注释、分支历史。此外，还提供了一个小的缩略图，以帮助分析师回忆可视化的状态。4.2. 交互和历史记录已实现的交互见表1。这些跨越所有四个不同的交互水平，并广泛用于（多变量）网络分析的交互（Wybrow et al. ，2014年）。表1中的输入视图描述了支持这种交互的位置表1中的记录触发器描述了它是否触发V2D2型号的记录。由于DCLI和DSLI对于记录具有很高的例外是视图缩放和平移），视觉编码（例如，节点位置、颜色和大小），可见性（例如，显示的节点和链接），以及数据改变（例如，聚集的节点和添加的注释）的信息。220T. Fujiwara，T.Crnovrsanin和K.-L. 硕士/视觉信息学2（2018）213见图8。原型系统。在（a）中，分析人员可以使用属性图（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，分析员可以选择想要的关键帧并创建简化的历史，这在RH中示出。然后，分析师可以在呈现模式中呈现可视化。当前状态为了避免产生大量记录的相互作用，不将VLIs和VSLI用作记录信号然而，有一个例外是“重新计算节点位置”，它会从以前的状态创建许多视觉结构更改，因此应该被记录下来。视图、视觉编码、可见性和数据更改信息都是用3.2节中描述的数据结构存储的。4.3. 种源可视化生成和呈现在探索数据之后，为了创建来源可视化，分析师可以转到创作模式（图8（b））。如第3.3节所述，我们使用注释作为关键帧。然而，这可能并不包括分析师的所有因此，此模式允许分析师通过鼠标单击每个快照的步骤编号（如黄色所示）来添加关键帧T. Fujiwara，T.Crnovrsanin和K.-L. 硕士/视觉信息学2（2018）213221表1原型系统中支持的交互。相互作用交互等级输入视图记录触发器描述变焦VLIPG、EG没有更改视图的比例。潘VLIPG、EG没有更改视图的平移。选择VSLIPG、EG、DL没有使用鼠标单击或套索选择来选择节点/链接。与筛选不同，选择不会更改数据的可见性。更改可视映射VSLIPG、EG没有更改节点/链接的颜色或大小。移动节点VSLIPG、EG没有通过鼠标拖放更改节点位置重新计算节点位置VSLIPG、EG是的重新计算网络布局。过滤DSLIPG、EG、DL是的选择后过滤节点/链接添加未显示的数据DSLIPG、DL是的使用PG或DL添加节点/链接搜索DSLIDL是的使用DL搜索节点/链接，然后添加/删除它们。跳到另一个州DSLIIH没有通过单击IH中的快照跳到过去的状态。编辑DCLIPG、EG是的在选择后编辑节点/链接值。骨料DCLIPG、EG是的选择后聚合节点/链接分裂DCLIPG、EG是的在选择后拆分聚合节点。注释DCLIPG、EG是的在PG或EG上添加注释图8（b）（IH）。然后，分析师可以通过选择位于图底部的“生成简化历史”按钮，使用我们的算法生成简洁的证明可视化。8（b）（RH）。系统还自动添加屏幕上的文本，描述所使用的交互。根据一项认知研究（Mayer andMoreno，2003），这种视觉和语言材料的结合有助于观众更好地理解材料。我们还使用Bachet al.（2014）的动画过渡来提供每个步骤之间的上下文。过渡由三个阶段组成：（1）删除的节点和链接首先淡出;（2）节点和链接从前一个位置移动到下一个位置;（3）添加的节点和链接在最后一步过渡。在我们的系统中的演示模式提供了交互式的探索，观众通过标准的能力，播放，暂停，跳到选定的状态。通过允许控制，我们可以避免认知能力过载（Mayer和Moreno，2003）。为了查看数据，查看器还可以缩放、平移、移动节点、选择节点/链接以及显示节点/链接信息。5. 使用场景我们证明了我们的原型系统和多元网络分析算法的有效性。我们分析了来自不同领域的两个网络数据集，并展示了如何获得简洁的出处可视化。为了评估我们的算法，我们比较了优化前后的交互步骤的数量。由于结果取决于其分析过程中的相互作用，我们将每个分析的所有步骤作为视频或在线图像呈现。22 补充材料，https://takanori-fujiwara.github.io/s/prov-vis/。5.1. 学校攻击网络我们分析了高中学生（Faris和Felmlee）的学校攻击网络中欺负者、受害者和其他属性之间的关系该网络包含2391个节点（由21个属性组成）和35，204个链接。我们首先选择“Student”（浅蓝色）和“Bully/Victim”（深蓝色）属性（步骤1和2）。如图9（a）所示，有四种类型的学生：欺负者，受害者，欺负者和受害者，或以上都没有。接下来，我们选择一个“满意关系”属性（橙色）来查看欺负者/受害者与他们的满意度之间的相关性（步骤3）。然而，如图9（b）所示，存在许多节点和链路。我们回到无花果的状态。9（a）（步骤4），删除既不是欺凌者也不是受害者的学生（步骤5和6），重新计算网络布局（步骤7）。我们将同一类型的学生聚合在一起（步骤8然后，我们添加所有“满意关系”节点（步骤12）并删除“欺负者/受害者”节点（步骤13）。然后，我们从添加的“满意关系”节点中移除 如图 9（d），我们可以看到欺负者往往比受害者拥有更令人满意的关系（链接宽度显示节点之间的链接总数）。最后，我们对这一发现进行注释（步骤15）。为了制作一个简洁的出处可视化，我们切换到创作模式。我们为图9（c）的状态设置了一个关键帧，因为它显示了我们如何简化网络。然后，我们选择“生成简化历史”。具有16个步骤（图9X）的原始交互历史被浓缩为8个步骤（图9Y）。我们可以看到，我们的系统减少了不必要的交互来解释结果，例如跳过历史记录，过滤和移动节点。最后，我们可以在演示模式中查看或与其他人共享出处。222T. Fujiwara，T.Crnovrsanin和K.-L. 硕士/视觉信息学2（2018）213见图9。第5.1节中学校攻击网络分析的完整（X）和简化（Y）互动历史。通过探索，我们总共生成了16个步骤，如X所示。中间的图（a）-（d）显示了步骤2、3、11和15中的状态。我们选择（c）和（d）作为关键帧，并创建简化的历史，如Y所示。该算法将步骤1见图10。Twitter信息传播网络分析。(a)显示“用户”（粉色）、“转发用户”（棕色）和“爱国者”（蓝色）中的所有节点在（b）中，我们根据身份聚合“用户”和“转推用户”中的节点在（c）中，我们添加在（d）中，我们将它们汇总为T. Fujiwara，T.Crnovrsanin和K.-L. 硕士/视觉信息学2（2018）2132235.2. Twitter信息通信网络我们分析了从Twitter收集的一个大型网络。该网络用于理解人们关于日本领土争端的动机推理（Kunda，1990）（Kato et al. ，2017年）。我们从特定事件发生后三小时内的推文中生成一个网络，其中包含12，622个节点（由7个属性组成）和71，117个链接。我们分析了政治身份如何影响twitter用户获取外部信息和与其他用户交流的方式。首先，我们展示了“用户”、“转发用户”和“爱国者”中的所有节点由于有太多的节点和链接可见，我们根据patri-tweeted identity（“Patriots”，“Not patriots”和“Unknown”）聚合“User”和“Retweeted user”节点（图10）。10（b））。现在我们可以看到，与“非爱国者”相比，“爱国者”倾向于转发更多的“爱国者”，并注释了这一发现。为了研究用户身份和链接的“网站类别”之间的关系然而，仍然有太多的节点和链接来找到任何模式。因此，根据每个类别的特征，我们创建了另外五个更高级别的类别：“硬新闻”，“软新闻”，“社交媒体”，“政治组织”和“其他”。然后我们过滤掉“其他”类别。结果如图10（d）所示。我们可以看到，与“硬新闻”、“软新闻”或“政治组织”相比，“爱国者”和“非爱国者”都倾向于从“社交媒体”发布更多信息。我们也对这一发现进行了注释。然后我们生成来源可视化。此时，我们不设置额外的关键帧，因为带注释的步骤已经捕获了我们的意图。相互作用最小化为25到16步。更重要的是，该算法保留了必要的交互以提供结果的透明度，如下所