搜索结果 分类目录: 论文评述

Vega-Lite: A Grammar of Interactive Graphics

论文:Vega-Lite: A Grammar of Interactive Graphics

作者:Arvind Satyanarayan, Dominik Moritz, KanitWongsuphasawat, and Jeffrey Heer

发表:InfoVis 2016

 

在 InfoVis 2016 上,UW 交互数据实验室 提出了一种新的交互数据可视化语法——Vega-Lite,获得了今年的 best paper,本文将根据其论文从多个角度介绍 Vega-Lite。论文地址

什么是 Vega-Lite?

简而言之,Vega-Lite 是一种数据可视化的高级语法,能够快速定义一些基本的交互式数据可视化。

如果你听说过 Vega,那么光看 Vega-Lite 的名字就不难想到它们的关系。Vega-Lite 就是编译成 Vega 的更高级图形语法。

如下图所示,只要右边寥寥数行代码,就能定义一个散点图:

继续阅读 =>

NameClarifier: 对论文作者姓名进行消歧的可视分析系统

论文:NameClarifier: A Visual Analytics System for Author Name Disambiguation

作者:Qiaomu Shen, Tongshuang Wu, Haiyan Yang, Yanhong Wu, Huamin Qu, and Weiwei Cui

发表:VAST2016 / TVCG

一、概述

        目的: 不同文献中的作者重名问题

        动机:

- 现有的纯挖掘算法往往采用全局模型, 无法处理一些特殊情况 (比如, 同一篇文章重名; 重名者研究领域高度相似; 重名者研究领域随时间发生变化等等)

- 现有可视化方法很少

        贡献:

- 用可视化方法将原本黑盒解法变成一个白盒的过程

- 提供一种引导用户进行分类的方法而不是简单的给出分类结果

- 提出一种两步去重的过程, 迭代的改良分类结果

二、系统流程

给定一个名字, 输入到这里的是所有这个名字的文献的资料Pre-processor: 对每个publication抽取metadata 给Analyzer然后Analyzer首先将所有有明确身份的文章分组(person1, person2等等以及各自对应的文章的集合), 将剩下的标为歧义的文章. 然后将确定的组与歧义的文章比较估计相似性, 利用的是不同时间所发表刊物的一些属性和共同作者的一些数学关系最后Visualizer展现这些关系, 一共有三个view 第一个view主要是分类那些有着歧义名的文章来到现有的确定组中去, 后面两个view主要是来验证前面的初步结论.

System Pipeline

系统流程

三、数据处理

继续阅读 =>

HindSight: Encouraging Exploration through Direct Encoding of Personal Interaction History

论文:HindSight: Encouraging Exploration through Direct Encoding of Personal Interaction History

作者:Mi Feng, Cheng Deng, Evan M. Peck, Lane Harrison

发表:TVCG2016

背景:

人的记忆力是有限的,并且会随着时间衰减。在数据探索过程中,人们需要花费精力记住自己的探索记录。因此,一项可以支持记录交互历史的可视化技术在数据探索研究领域将会有很大影响。

简介:

HindSight是指描述直接在原有可视化系统上展现交互历史的设计原则的涵盖性术语。文章提出了一个假想:在探索性分析中,直接编码的个人历史可以对用户行为产生积极的影响。为了验证这个假想,他们进行了实验:把HindSight用于3个已有的可视化系统中,来检验HindSight原则的价值。

HindSight原则的核心想法是(在数据编码的基础上)将用户的 交互 也编码到可视化设计中。

实验过程:

实验使用了3个交互性的可视化系统(MetaFilter,255Charts,Storytelling),分别设置了实验组和对照组。实验参与者为AMT(“机械的土耳其人”网站)的雇员。

继续阅读 =>

VisDock: A Toolkit for Cross-Cutting Interactions in Visualization

论文:VisDock: A Toolkit for Cross-Cutting Interactions in Visualization

作者:Jungu Choi, Deok Gun Park, Yuet Ling Wong, Eli Fisher, and Niklas Elmqvist

发表期刊:TVCG2014

VisDock提供可嵌入D3代码的JS库,为D3创建的可视化添加额外的工具栏(类似于PS/AI),可以简单地添加各种交互如平移、缩放、框选、添加标签等等操作。

VisDock的设计理念源于图形编辑软件如Photoshop、Adobe Illustrator等。与其类似,VisDock提供工具实现多种交互方式:选择、查询管理、导航和标注。
选择包括点选、框选、套索等。在选择的基础上,VisDock还提供类似于PS、AI中的图层管理的查询管理,对多次选择的结果可以分别进行操作,并能对多个选择结果进行交集、并集等集合操作。

继续阅读 =>

Spatio-Temporal Modeling and Prediction of Visual Attention in Graphical User Interfaces

这篇文章中,Pingmei Xu等人提出了一个 对于GUI中人的视觉注意进行时空预测的模型。这个模型基于图形界面、用户的鼠标和键盘输入,不依赖于眼动追踪仪器,能够帮助我们很好地捕捉和预测用户在GUI上的注意力。

在人机交互的领域,视线(Gaze)有着重要的意义。它既可以作为外显的输入,用于对沉浸式设备(例如虚拟现实眼镜)进行交互控制,同时也是一种内隐的输入,表现用户的兴趣与关注。在人机交互中,视线的使用也有着一些基本的局限性。对于视线的估计需要特殊的眼动跟踪仪器,这些仪器往往造价不菲,难以入手,因此并非在大多数场合都是通用的。此外,眼动追踪仪只能告诉我们用户视线当前和过去位置,无法预测用户未来可能关注的位置。对于这些问题,一种常见解决办法是使用视觉注意的计算模型。典型地,它会将一张图片作为输入,预测那些局部特征和周围显著不同的区域,认为它们最可能在接下来被用户注意到。这些模型有着局限性,主要在于:没有考虑到用户的其他输入;没有考虑到界面信息;没有考虑到用户的交互历史。

继续阅读 =>

TelCoVis: 基于城市电信数据的人群共现行为的可视探索

TelcoVis: Visual Exploration of Co-occurrence in Urban Human Mobility Based on Telco Data

本文是2015年VIS中SciVis的文章,并被TVCG收录
简介
本文利用广州的的电信数据(telco data)对人口流动(human mobility)中的共现现象 (co-occurrence)进行可视分析. 所谓共现, 简单的理解为来自区域A和区域B的人在同一时间段内到了同一个地方. 这种现象的分析研究有很多实际应用, 例如
1) 帮助城市规划者应对流行病, 帮助社会科学家洞察和建模人的社交 (比如富人与穷人之间的交流)
2) 帮助商店店主了解在特定时间段造访餐厅, 商场的人的类型, 以便进行有针对性的促销, 做出更好的商业决策
3) 帮助管理者估计高峰期在地铁口, 高速公路入口共现的人的数目
随着(智能)手机越来越普及, 收集到的电信数据也更加细粒度, 数据量也愈发庞大. 这些数据使得我们能够进行更好的对人类行为的分析, 比如上面提及的共现现象.
.
继续阅读 =>

AggreSet-基于元素聚合的丰富且可扩展的集合探索

AggreSet: Rich and Scalable Set Exploration using Visualizations of Element Aggregations

M. Adil Yalçın, Student Member, IEEE, Niklas Elmqvist, Senior Member, IEEE, and Benjamin B. Bederson
InfoVis2015
系统预览

图1 系统预览

本文的三位作者均来自马里兰大学帕克分校。文章针对set-typed(类别型多值)属性的可视分析进行了建模,并实现了一个功能丰富、数据可拓展的探索系统。
继续阅读 =>

Task-Driven Comparison of Topic Models

在文本处理和数据挖掘领域有一种非常重要的方法,那就是主题模型方法。他能有效的从文本语义中提取主题信息。主题模型主要由词、文档和话题构成。其中文档是要处理的数据源,它由很多词构成。从文档中我们能抽取一些词的集合,最终构成一个个主题。凡是类似这种结构的模型(甚至不仅仅是文本模型),都可以使用主题模型方法。因此,这一种方法有其自身很强的普适性。在过去,尤其是在可视化领域,分析主题模型的工具往往是用来分析其有效性的,对于比较不同的主题模型来说,方法与工具是极其少见的。而这篇论文就是从主题模型的比较入手,通过多种可视化方法来更有效地对不同主题模型的结果进行比较。

对于比较主题模型的比较, 我们比较的不仅仅是方法,不同的方法,不同的主题个数选取,不同的参数,都能产生不同的结果,这些结果甚至可能差异巨大。因此,我们对主题模型的比较不仅仅应该比较不同方法,可能还需要比较不同的参数选取等。

这篇文章对于主题模型的比较,可以从三个方面入手:主题内容、主题相似性、主题时变。其中主题内容主要比较同一个文章不同方法得出的主题内容的差异。相似性比较主要是对使用不同方法导致的不同文章之间主题相似性差异做对比。而最后主题时变则是比较不同模型对于主题变化的影响。下面分别从这三个方面对论文的方法进行阐述。

图1 主题内容比较可视化方法

继续阅读 =>

Comparing Color and Leader Line Highlighting Strategies in Coordinated View Geovisualizations

这篇文章主要对比了地理信息可视化联动视图中两种高亮的方法,分别是颜色高亮和引导线高亮。最终,本文得出,在联动多视图的可视化系统中,引导线可以作为一种可选的高亮策略,这样一来,颜色可以保留下来用作其他的可视化编码。

1 Background

从题目来看,文中有两个关键词——“Highlighting Strategies”和“Coordinated View Geovisualizations”,首先来认识一下“Coordinated View Geovisualizations”。这里要引入一个概念即CMV,CMV是“coordinated multiple view”的缩写,联动多视图可视化系统利用两个或多个视图来展示不同的数据或者是相同数据的不同可视表达形式。文章中并没有明确的对“Coordinated View Geovisualizations”进行定义,但是通过对文章的整体阅读,我们可以简单的把它看作是包含地图视图的CMV系统。

在CMV系统中,需要能够将各个视图联系起来的高亮可视表达。高亮是一种短暂的视觉效果,它能够使得待观察对象更加的突出,用户利用它,对待观察对象尽快的进行识别和评估。常用的高亮法是颜色高亮,就是将待观察对象用一种特定的,饱和度和亮度比较高的颜色进行描边或者填充。除了这种方法之外,其实还有很多别的高亮的方法,比如说景深、引导线、透明度等等,但是目前而言,对这些方法的识别和比较的研究却非常的少。

CMV系统比起单一视图的可视化系统而言,对用户的感知和认知系统有一定的要求,因为它需要将多个视图联系起来,通过对多个视图的信息的整合,来完成特定的任务。所以,为了使得用户能够更加简单的阅读联动多视图可视化系统,高亮策略应当尽量的减少用户在阅读时的感知和认知负担。但是在一些系统中,将高亮色运用到大量的主题元素中,这个时候用户就很难分清哪些是高亮对象,哪些是主题元素。因此,对于这种情况而言,一个比较好的高亮策略是利用一种不需要颜色的可视化策略来高亮视图之间关联的元素。这样可以将颜色留出在其他的可视化编码。

在本篇文章中,作者利用视线追踪技术,对选取的一种不依赖于颜色的高亮策略——引导线和颜色高亮法的表现进行了实验对比(见图1)。其中,颜色高亮是联动多视图系统中最常用的方法,它主要是用特定的颜色对对象进行描边或者填充,而引导线则是从所选对象出发,用直线连接它和其他视图关联的对象。

图1

继续阅读 =>

egoSlider: Visual Analysis of Egocentric Network Evolution

论文: egoSlider: Visual Analysis of Egocentric Network Evolution

作者: Yanhong Wu, Naveen Pitipornvivat, Jian Zhao, Sixiao Yang, Guowei Huang, and Huamin Qu

发表会议: VAST2015

文章围绕ego-network的可视化展开. ego-network是社会网络分析研究中一个重要的研究对象, 它由ego(中心人物)和alters(与ego相连的人)组成. 研究ego-network随着时间演化的模式在不同领域(社会学, 人类学等)都是很重要的课题, 也是具有挑战性的问题, 因其具有复杂的时变的图结构.

简单的带tag的ego-network

继续阅读 =>

第 1 页,共 6 页12345...最旧 »