[論文レビュー] KG4Vis: A Knowledge Graph-Based Approach for Visualization Recommendation

Hao-Tian Li, Yong Wang+3 more|PubMed|Jul 27, 2021

Data Visualization and Analytics参考文献 57被引用数 9

ひとこと要約

KG4Visは、手動でのルール指定を必要とせず、データセットと可視化のペアから自動的に可視化ルールを学習する、知識グラフに基づく説明可能な可視化推薦手法を提案する。データの特徴、カラム、デザイン選択を知識グラフ内のエンティティとしてモデル化し、TransEベースの埋め込み学習を用いることで、高速かつ説明可能な推薦が可能となり、ルール抽出を実現。評価では高い精度と強力な説明可能性を達成した。

ABSTRACT

Visualization recommendation or automatic visualization generation can significantly lower the barriers for general users to rapidly create effective data visualizations, especially for those users without a background in data visualizations. However, existing rule-based approaches require tedious manual specifications of visualization rules by visualization experts. Other machine learning-based approaches often work like black-box and are difficult to understand why a specific visualization is recommended, limiting the wider adoption of these approaches. This paper fills the gap by presenting KG4Vis, a knowledge graph (KG)-based approach for visualization recommendation. It does not require manual specifications of visualization rules and can also guarantee good explainability. Specifically, we propose a framework for building knowledge graphs, consisting of three types of entities (i.e., data features, data columns and visualization design choices) and the relations between them, to model the mapping rules between data and effective visualizations. A TransE-based embedding technique is employed to learn the embeddings of both entities and relations of the knowledge graph from existing dataset-visualization pairs. Such embeddings intrinsically model the desirable visualization rules. Then, given a new dataset, effective visualizations can be inferred from the knowledge graph with semantically meaningful rules. We conducted extensive evaluations to assess the proposed approach, including quantitative comparisons, case studies and expert interviews. The results demonstrate the effectiveness of our approach.

研究の動機と目的

• ルールベースおよびブラックボックス型機械学習ベースの可視化推薦システムの限界を解消すること。
• 可視化専門家による手動のルール指定の必要性を排除すること。
• 自動的に導出された意味的に意味のあるルールを通じて、可視化推薦の説明可能性を向上させること。
• データセット-可視化ペアからの学習済み埋め込みを用いて、リアルタイムでデータ駆動型の推薦を可能とすること。
• 可視化設計の深い専門知識がなくても、一般ユーザーが効果的な可視化を作成できるようにすること。

提案手法

• 統計的および構造的メタデータを用いて、データセット-可視化ペアから表現力のあるデータ特徴を抽出する。
• 3種類のエンティティタイプ（データ特徴、データカラム、可視化デザイン選択肢（例：チャートタイプ、軸配置））を用いて知識グラフを構築する。
• エンティティ間の関係を三元組（頭部、関係、末尾）としてモデル化し、データから可視化へのマッピングを符号化する。
• 知識グラフ埋め込み手法であるTransE-advを適用して、エンティティおよび関係の低次元ベクトル表現を学習する。
• 新しいデータセットに対して、クエリ埋め込みと学習済みエンティティ埋め込みの類似度を計算することで推論を実行し、可視化を推薦する。
• ベクトルの近接性および関係のパターンを用いて、学習済み埋め込みから解釈可能なルールを抽出し、推薦の説明を行う。

実験結果

リサーチクエスチョン

• RQ1 ルールベースのアプローチは、手動でのルール設計なしに、データセット-可視化ペアから可視化ルールを自動的に学習できるか？
• RQ2 KG4Visは、新しいデータセットに対して、正確で意味的に意味のある可視化をどれほど効果的に推薦できるか？
• RQ3 専門家がキュレートしたヒューリスティクスと比較して、KG4Visはどれほど説明可能な推薦を自動導出ルールを通じて提供できるか？
• RQ4 精度および効率の観点から、従来のルールベースおよび機械学習ベースの可視化推薦システムと比較して、KG4Visはどの程度の性能を示すか？
• RQ5 KGフレームワークは、色の使用法やアスペクト比などの追加の可視化デザイン選択肢を統合するために拡張可能か？

主な発見

• KG4Visは、可視化タイプ推薦において平均逆順位（MRR）1.7755を達成したが、ニューラルネットワークベースのVizMLに比べてわずかに低いが、説明可能性に優れた性能を示した。
• KG4Visは、1データセットあたり平均0.07秒の遅延で可視化を推薦でき、リアルタイム性能を実現した。
• 専門家によるインタビュー調査では、自動抽出されたルールが意味的に意味があり、既存の可視化原則とよく一致していることが確認された。
• 事例研究では、KG4Visが、複雑で多次元的なデータを含む多様なデータセットに対し、適切な可視化を効果的に推薦できることを示した。
• 知識グラフフレームワークは拡張可能であり、追加のデザイン選択肢を組み込むことができるが、エンティティ集合が拡大するに従い、学習時間が線形に増加することが分かった。
• 従来のルールベースシステムに比べ、スケーラビリティと一般化性能に優れており、深層学習モデルのブラックボックス性を回避した。