搜索结果 文章归档: 十一月 2016

一种用于分析MOBA游戏中“滚雪球”与“翻盘”背后原因的可视分析方法

论文:A Visual Analytics Approach for Understanding Reasons behind Snowballing and Comeback in MOBA Games

作者:Quan Li, Peng Xu, Yeuk Yin Chan, Yun Wang, Zhipeng Wang, Huamin Qu, Member, IEEE, and Xiaojuan Ma

发表:TVCG2016

简介:为了设计一款成功的MOBA(Mutiplayer Online Battle Arena)的游戏,在所有场次的游戏中必须使“滚雪球”和“翻盘”发生的比率保持在一个固定的范围来保证游戏的公平性和吸引力。游戏开发者发现在游戏设计过程中的大量选择和参数中,确定这两种事件发生的原因和触发时机非常困难。这篇论文提出了一个可视化系统来帮助游戏设计师寻找导致“滚雪球”和“翻盘”发生的关键事件和参数。该系统可以描述玩家位置,状态和关键事件的变化,同时可以揭示玩家的策略和行动,在这些信息中寻找导致“滚雪球”和“翻盘”发生的原因,并加以论证。

继续阅读 =>

DropoutSeer: Visualizing Learning Patterns in Massive Open Online Courses for Dropout Reasoning and Prediction

论文:DropoutSeer: Visualizing Learning Patterns in Massive Open Online Courses for Dropout Reasoning and Prediction

作者:Yuanzhe Chen, Qing Chen, Mingqiao Zhao, Sebastien Boyer, Kalyan Veeramachaneni, Huamin Qu

发表: 2016 VAST Conference track

1 简介

MOOCs全称Massive Open Online Courses,即大型网络公开课。MOOCs自2012年出现起迅速发展。然而,在迅猛发展背后,MOOCs也存在着许多问题,其中最主要的问题就是高居不下的退学率。本文提出了一种可视化分析系统——DropoutSeer,该系统不仅能够帮助MOOCs的讲师和教育人员了解学生退学行为和原因,还可以帮助机器学习的研究人员确定退学行为预测模型中特征,进一步提高模型的表现。

继续阅读 =>

一种基于网络信息矩阵图像的网络探索方法(Magnostics)

Magnostics: Image-based Search of Interesting Matrix Views for Guided Network Exploration

一种基于网络信息矩阵图像的网络探索方法

作者:Michael Behrisch, Benjamin Bach, Michael Hund, Michael Delz, Laura von Ruden, ¨ Jean-Daniel Fekete and Tobias Schreck

继续阅读 =>

基于语义的大规模出租车轨迹交互分析方法(SemanticTraj)

简介:
在城市规划、城市运输及城市交通管理等领域,对于车辆轨迹的信息挖掘和知识提取越来越重要。大规模的城市出租车轨迹数据,能够帮助各个领域的专家分析城市交通和城市人群的移动规律。现有的工作大都围绕对地理位置的框选或刷选来完成数据的过滤。

本文介绍了一种基于语义信息对大规模出租车轨迹数据进行交互式的检索、分析的可视化方法。领域专家或者使用者可以通过输入带有语义的查询条件对轨迹数据进行查询检索,并通过系统的可视化界面对轨迹数据进行探索,从而得到有用的信息。系统通过在轨迹数据上建立了两种文本语义索引文件来加速语义查询速率,并设计了多视图的可视化界面来帮助用户分析轨迹数据。最后通过用户的实验验证了系统的可行性。

问题导向:
大规模的出租车数据对城市交通城市规划等领域提供了很多有用的信息。为了挖掘出这些信息,现有的大量工作研究了轨迹信息的可视分析,轨迹信息的存储和轨迹语义的标注。然而这些工作大都是基于对地理位置的刷选来完成对数据的过滤。对于特定的任务,例如一家商场的管理者,希望知道在城市的什么地点放置摆渡车辆,能够帮助人们来商场购物? 交通警察希望知道哪些路段是经常堵车的路段,那些路段交通状况很好? 如果使用原有的系统来回答类似上述的问题,操作就会十分繁琐。而如果可以直接通过语义来查询满足条件的出租车轨迹信息,那么分析的时间就会大大下降了。

继续阅读 =>

D-Map: Visual Analysis of Ego-centric Information 
Diffusion Patterns in Social Media

论文:D-Map: Visual Analysis of Ego-centric Information Diffusion Patterns in Social Media

作者:Siming Chen, Shuai Chen, Zhenhuang Wang, Jie Liang, Xiaoru Yuan, Nan Cao, Yadong Wu

发表:2016 VAST Conference track

一、简介

本文研究微博上的社交媒体数据,研究目标为:挖掘信息扩散的模式以及重要社交媒体用户在信息扩散的过程中发挥的作用。这样的研究通常面临三个主要挑战:异构社交媒体数据、难以定义的用户影响力和复杂的可视设计。为了解决上述问题,本文提出了一种使用地图作隐喻的可视化设计——信息扩散地图,在该图上展示信息传播的历史过程以及用户行为变化过程。

继续阅读 =>

SAGE2: 支持可拓展像素显示的协作平台

论文:《SAGE2 – A New Approach for Data Intensive Collaboration Using Scalable Resolution》

作者: Thomas Marrinan, Jillian Aurisano, Arthur Nishimoto, Krishna Bharadwaj, Victor Mateevitsi, Luc Renambot, Lance Long, Andrew Johnson. 通讯作者:Jason Leigh

发表:Best Paper Awards of CollaborataCom 2014

 

一、简介

SAGE2 作为一款中间件,支持分辨率可拓展的共享显示(SRSD, Scalable Resolution Shared Displays),通过浏览器支持实时多用户的协同合作:

- 它支持如上所示的原型应用;

- 同时用户可向服务器上传文件、视频 (pixel streams) 来分享工作进展;

- 它也支持多用户实时交互。

http://sage2.sagecommons.org/videos/ 中的视频 ”SAGE2 capabilities” 比较好地描述了 SAGE2 的各个功能。

继续阅读 =>

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 =>