工作流可视化的可视压缩新方法
论文:《Visual Compression of Workflow Visualizations with Automated Detection of Macro Motifs》
作者:Eamonn Maguire, Student Member, IEEE, Philippe Rocca-Serra, Susanna-Assunta Sansone, Jim Davies, and Min Chen, Member, IEEE
会议:Infovis2013
本文介绍了一种基于自动检测motif,并结合用户打分进行选择并生成macro,最终实现对工作流图的可视压缩。
本文工作的流程如下:
A:输入数据存入数据仓库
B:Motif提取算法,从数据中提取motif
C:生成motifs
D:对motifs进行打分,根据分数进行排序
E:通过交互选择motif生成macro
F:选出macro
G:为macro生成图形
H:用户为macro标注
I:将生成生成的macro插入到工作流图中。
本文的关键在于motif生成算法,作者首先给出了motif的标准:
1.至少包含两个节点
2.同时是拓扑和语义敏感的
3.每对节点间不一定有连接
4.每个节点到输入和输出节点间必须有通路
5.输入节点的类型必须一样,输出节点亦然
6.输入输出节点可以连接任意多的边
7.可以从多个节点获得输入也可以向多个节点输出
motif生成算法可以用一个有限状态机说明:
状态S0代表单节点起始状态,S2代表多节点起始状态,S1代表单节点状态,S3代表相同属性的多节点状态,S4代表不同属性的多节点状态。图中实边表示状态转移后能够生成motif,虚边表示状态转移后不能生成motif。
文中将motif分成了三类,分别是单支、同类多支、异类多支,分别对应下图的a,b,c图:
上图同时也给出了三类motif所对应的状态转移情况。
生成motif后使用评分函数对motif打分,这个打分综合了motif所在工作流的出现次数,motif在工作流中的出现次数,以及motif实现的压缩量,得出的结果如下:
通过交互用户选出motif生成macro,macro的设计使用了层次细节的模式,如下图所示:
从图中可以看到,macro的层次设计分为三层,第一层细节只提供所有节点组成的拓扑轮廓,并以一个color bar表示macro中的节点类型;第二层细节给出了节点的分布情况;最后一层细节则给出了所有节点以及他们直接的连接情况。
文章最后从两个方面给出了评估。
与现有算法相比,作者认为本文的方法于FANMOD相比效率更高,准确率也更高。
从用户需求的角度,作者人问本文的方法满足了专家的需求。
总的来说,本文的方法高效、准确的完成了工作流图的压缩任务。