[논문 리뷰] Insight-centric Visualization Recommendation

Camille Harris, Ryan A. Rossi외 6명|arXiv (Cornell University)|2021. 03. 21.

Data Visualization and Analytics참고 문헌 48인용 수 10

한 줄 요약

이 논문은 데이터 내에서 개별 인사이트와 고수준의 인사이트 유형(예: 이방치, 상관관계 등)을 순위 매기고 추천하는 인사이트 중심의 시각화 추천 기법인 Insight-centric Visualization Recommendation을 소개한다. 다양한 인사이트 유형을 탐지하고 관련성에 따라 순위를 매기는 데 다수의 학습 기반 방법을 융합함으로써, SpotLight 시스템은 사용자가 주석이 달리고 시각적으로 그룹화된 추천을 통해 가장 중요한 인사이트를 신속하게 식별하고 탐색할 수 있도록 하여, 낯선 데이터셋에서의 탐색적 데이터 분석(EDA)의 효율성과 인사이트 탐색 능력을 크게 향상시킨다.

ABSTRACT

Visualization recommendation systems simplify exploratory data analysis (EDA) and make understanding data more accessible to users of all skill levels by automatically generating visualizations for users to explore. However, most existing visualization recommendation systems focus on ranking all visualizations into a single list or set of groups based on particular attributes or encodings. This global ranking makes it difficult and time-consuming for users to find the most interesting or relevant insights. To address these limitations, we introduce a novel class of visualization recommendation systems that automatically rank and recommend both groups of related insights as well as the most important insights within each group. Our proposed approach combines results from many different learning-based methods to discover insights automatically. A key advantage is that this approach generalizes to a wide variety of attribute types such as categorical, numerical, and temporal, as well as complex non-trivial combinations of these different attribute types. To evaluate the effectiveness of our approach, we implemented a new insight-centric visualization recommendation system, SpotLight, which generates and ranks annotated visualizations to explain each insight. We conducted a user study with 12 participants and two datasets which showed that users are able to quickly understand and find relevant insights in unfamiliar data.

연구 동기 및 목표

• 기존의 모든 시각화를 전역적으로 순위 매기는 시각화 추천 시스템의 비효율성을 해결하여, 가장 관련성이 높은 인사이트를 찾기 어려운 문제를 해결한다.
• 임의의 데이터셋에서 개별 인사이트와 고수준의 인사이트 유형(예: 비대칭성, 다변량 이방치 등)을 자동으로 탐지하고, 점수를 매기며 순위를 매기는 시스템을 개발한다.
• 인사이트 유형별로 시각화를 순위 매겨 정렬함으로써 사용자의 탐색적 데이터 분석 효율성을 향상시키고, 가장 영향력 있는 인사이트를 신속하게 식별할 수 있도록 한다.
• 12명의 참가자가 두 데이터셋에서 수행한 사용자 연구를 통해 인사이트 중심 추천의 효과성을 평가하며, 사용성, 인사이트 탐색 속도, 사용자 만족도를 분석한다.

제안 방법

• 시스템은 분류 기반 및 비분류 기반 기계학습 모델을 조합하여 범주형, 수치형 및 시간적 속성에서 21종의 서로 다른 인사이트 유형을 탐지한다.
• 각 인사이트 유형은 포함된 인사이트의 중요도와 관련성에 따라 전역적으로 점수를 매기고 순위를 매기며, 영향력 있는 인사이트 유형 카테고리의 우선순위를 정할 수 있도록 한다.
• 각 인사이트 유형에 대해 개별 인사이트는 그 중요도에 따라 순위를 매기며, 명확성을 위해 적절한 시각화가 자동으로 생성되고 주석이 달린다.
• SpotLight는 각 인사이트 유형별로 시각화를 그룹화하여 행으로 정렬하며, 인사이트 유형 순위에 따라 행의 순서를 정렬하여 사용자가 고수준의 인사이트 카테고리로 탐색할 수 있도록 한다.
• 사용자 상호작용과 탐색을 향상시키기 위해 상호작용 필터링, 북마크 기능, 시각화 일관성 지원 기능을 제공한다.
• 각 인사이트 유형 내의 인사이트 집합이 갖는 총합 가치를 기반으로 상위-r개의 인사이트 유형을 점수 매기고 추천하는 새로운 인사이트 유형 순위 매기기 메커니즘을 도입한다.

실험 결과

연구 질문

• RQ1 시각화 추천 시스템은 낯선 데이터셋에서 사용자가 가장 관련성 있고 영향력 있는 인사이트를 신속하게 식별하는 데 어떻게 더 잘 지원할 수 있는가?
• RQ2 개별 시각화만 순위 매기는 것과 비교해, 인사이트 유형(인사이트의 카테고리)을 순위 매김함으로써 탐색적 데이터 분석의 효율성과 효과성이 얼마나 향상되는가?
• RQ3 사용자는 인사이트 중심 추천 시스템이 생성한 시각화와 주석의 유용성, 명확성, 다양성에 대해 어떻게 평가하는가?
• RQ4 실제 데이터 탐색 작업에서 인사이트 중심 시각화 추천 시스템의 주요 사용성 문제점과 개선이 필요한 점은 무엇인가?

주요 결과

• 사용자들은 낯선 데이터셋에서 관련 인사이트를 빠르게 이해하고 식별할 수 있었으며, 북마크된 인사이트의 83%가 각 인사이트 유형 내에서 상위 순위에 속한 인사이트에서 유래했다.
• 시스템의 시각화는 높은 평가를 받았으며(평균 점수 5.5점), 특히 인사이트 이해도를 크게 향상시킨 주석의 포함 덕분이었다.
• 참가자들은 차트 유형의 다양성을 높이 평가했으며, 기존 도구에 비해 시스템의 고급 시각화가 더 정보가 풍부하다고 느꼈다.
• 사용자들은 더 기술적인 통계 정보, 통계 방법에 대한 간결한 설명, 향상된 상호작용(예: 줌 인/아웃, 디테일-온-디맨드) 등의 개선을 요청했다.
• 주요 제한점으로는 10개 미만의 컬럼을 가진 데이터셋에서는 인사이트 유형 순위 매기기의 유용성이 감소한다는 점이 밝혀졌으며, 이는 고차원 데이터에서의 순위 매기기 필요성이 더 크다는 것을 시사한다.
• 사용자들은 EDA를 넘어서 가설 기반 분석을 지원하기 위해 축, 구간 설정, 색상 조합 등을 사용자 정의할 수 있는 더 큰 제어 기능을 원했다.