[논문 리뷰] MultiVision: Designing Analytical Dashboards with Deep Learning Based Recommendation

Aoyu Wu, Yun Wang외 5명|arXiv (Cornell University)|2021. 07. 16.

Data Visualization and Analytics참고 문헌 69인용 수 4

한 줄 요약

MultiVision는 분석 대시보드를 위한 다중 시각화를 추천하기 위해 개별 차트와 차트 조합의 품질을 평가하는 딥러닝 기반 혼합 주도 시스템을 제안한다. 이 시스템은 대규모 엑셀 테이블과 프로벤ance 로그 코퍼스를 활용해 모델을 훈련시키며, 차트 품질 순위를 매김으로써 대시보드 제작 시 수작업의 노력을 크게 줄이고, 사용자 연구에서 규칙 기반 및 기존 머신러닝 기반 추천기보다 뛰어난 성능을 보였다.

ABSTRACT

We contribute a deep-learning-based method that assists in designing analytical dashboards for analyzing a data table. Given a data table, data workers usually need to experience a tedious and time-consuming process to select meaningful combinations of data columns for creating charts. This process is further complicated by the need of creating dashboards composed of multiple views that unveil different perspectives of data. Existing automated approaches for recommending multiple-view visualizations mainly build on manually crafted design rules, producing sub-optimal or irrelevant suggestions. To address this gap, we present a deep learning approach for selecting data columns and recommending multiple charts. More importantly, we integrate the deep learning models into a mixed-initiative system. Our model could make recommendations given optional user-input selections of data columns. The model, in turn, learns from provenance data of authoring logs in an offline manner. We compare our deep learning model with existing methods for visualization recommendation and conduct a user study to evaluate the usefulness of the system.

연구 동기 및 목표

• 분석 대시보드 제작 시 시간이 많이 소요되고 전문가의 참여가 필요한 데이터 컬럼 및 차트 조합의 수작업 선택 문제를 해결하기 위해.
• 단일 차트에 집중하거나 통합된 다중 시각화 설계를 지원하지 못하는 기존 규칙 기반 및 머신러닝 기반 시각화 추천기의 한계를 극복하기 위해.
• 자동화와 인간 전문성의 균형을 이루기 위해 딥러닝 모델과 사용자 제어를 통합한 혼합 주도 시스템을 개발하기 위해.
• 작성 로그에서 유래한 프로벤ance 데이터를 활용해 실제 대시보드 제작 패턴을 학습할 수 있는 모델을 훈련시키기 위해.
• 모델 평가 비교 및 추천의 유용성을 평가하는 사용자 연구를 통해 시스템의 효과성을 평가하기 위해.

제안 방법

• 200만 개 이상의 엑셀 데이터 테이블과 차트 코퍼스를 기반으로 딥러닝 모델을 훈련하여 데이터 컬럼 선택 및 차트 인코딩에 기반한 개별 시각화의 품질을 평가한다.
• 사용자 작성 로그(즉, 프로벤ance 데이터)에서 학습하는 두 번째 딥러닝 모델을 설계하여 대시보드를 위한 최적의 다중 차트 조합을 추천한다.
• 사용자가 차트를 锁정하고 차트 유형을 지정할 수 있으며, 맥락 인식 추천을 제공하는 혼합 주도 상호작용 시스템에 두 모델을 통합한다.
• 이중 단계 추천 파이프라인을 적용한다: 첫 번째로 학습된 품질 점수에 기반해 개별 차트를 추천하고, 두 번째로 차트 다양성, 일관성, 통합성을 고려해 추천을 정밀 조정한다.
• 사용자 피드백과 상호작용 로그를 활용해 추천 전략을 개선하고 시스템의 사용성 향상에 기여한다.
• 데이터 컬럼, 차트, 시각화 문법의 구조적 조합으로 대시보드를 표현하여 공유 가능한 선언적 표현 방식을 통해 머신러닝 적용을 가능하게 한다.

Figure 1: MultiVision is a mixed-initiative system that generates a multiple-view visualization given a data table. The automation consists of deep learning models that learn to assess the quality of a single chart and multiple charts from a chart corpus and provenance data. The assessment models, c

실험 결과

연구 질문

• RQ1 딥러닝 모델은 단일 차트 추천을 넘어서 분석 대시보드에 적합한 의미 있는 다중 차트 조합을 효과적으로 어떻게 추천할 수 있는가?
• RQ2 실제 작성 로그에서 훈련된 딥러닝 모델은 규칙 기반 또는 히우리스틱 방법에 비해 추천 품질을 얼마나 향상시키는가?
• RQ3 딥러닝을 혼합 주도 시스템에 통합할 경우 사용자 생산성과 만족도에 어떤 영향을 미치는가?
• RQ4 사용자 입력(예: 잠금된 차트)은 딥러닝 기반 추천을 어떻게 정밀 조정하는 데 기여하는가?
• RQ5 실제 대시보드 작성 워크플로우에서 유래한 프로벤ance 데이터는 새로운 데이터셋에 일반화할 수 있도록 효과적으로 모델 훈련에 활용될 수 있는가?

주요 결과

• 대규모 엑셀 테이블 코퍼스를 기반으로 훈련된 딥러닝 모델은 기존 규칙 기반 및 머신러닝 기반 방법에 비해 뛰어난 성능을 보이며 고품질의 개별 차트를 효과적으로 추천했다.
• 프로벤ance 데이터를 기반으로 훈련된 모델은 사용자 선호도와 디자인 패턴을 효과적으로 포착하여 통합적이고 다양한, 일관된 다중 시각화 대시보드를 추천하는 데 성공했다.
• 사용자 연구 결과, 참가자들은 시스템의 추천이 유용하다고 평가했으며, 활성 추천은 도움이 되지만 적절한 타이밍이 아니면 방해가 될 수 있음을 인식했다.
• 수동 추천 전략은 사용 빈도가 낮아, 자동화와 사용자 제어의 균형을 맞추는 지능적인 상호작용 설계가 필요함을 시사했다.
• 시스템은 딥러닝과 사용자 참여 기반 작성 방식을 통합함으로써 완전 수동 또는 완전 자동화된 접근 방식에 비해 대시보드 제작의 효율성과 품질을 향상시켰다.
• 다중 시각화 추천을 위한 공정한 베이스라인의 부재는 MultiVision 접근 방식의 독창성을 입증하며, 이 분야의 표준 기준이 마련되어야 할 필요성을 강조한다.

Figure 2: We abstract the recommendation problem into machine learning tasks: A We model the relationships among data columns, charts, and multiple-view visualizations using a three-layered heterogeneous graph; B For each node, the goal is to convert node features into a quality score; C Thus, the p