[논문 리뷰] KG4Vis: A Knowledge Graph-Based Approach for Visualization Recommendation

Hao-Tian Li, Yong Wang외 3명|PubMed|2021. 07. 27.

Data Visualization and Analytics참고 문헌 57인용 수 9

한 줄 요약

KG4Vis는 수동 규칙 설정 없이 데이터셋-비주얼라이제이션 쌍에서 시각화 규칙을 자동으로 학습하는 지식 그래프 기반의 설명 가능한 시각화 추천 접근법을 제안한다. 데이터 특성, 컬럼, 디자인 선택을 지식 그래프 내의 실체로 모델링하고 TransE 기반 임베딩 학습을 사용함으로써, 규칙 추출이 가능한 빠르고 해석 가능한 추천을 가능하게 하여 평가에서 높은 정확도와 강한 설명 가능성을 달성한다.

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.

연구 동기 및 목표

• 규칙 기반 및 블랙박스 기반 머신러닝 시각화 추천 시스템의 한계를 해결하기 위해.
• 시각화 전문가의 수동 규칙 설정이 필요 없도록 하기 위해.
• 자동으로 유도된 의미적으로 유의미한 규칙을 통해 시각화 추천의 설명 가능성을 향상시키기 위해.
• 데이터셋-비주얼라이제이션 쌍에서 학습된 임베딩을 사용하여 실시간 데이터 기반 추천을 가능하게 하기 위해.
• 심층적인 시각화 디자인 전문 지식 없이도 일반 사용자가 효과적인 시각화를 만들 수 있도록 지원하기 위해.

제안 방법

• 통계적 및 구조적 메타데이터를 사용하여 데이터셋-비주얼라이제이션 쌍에서 표현력 있는 데이터 특성을 추출한다.
• 세 가지 실체 유형(데이터 특성, 데이터 컬럼, 시각화 디자인 선택지(예: 차트 유형, 축 배치))을 포함하는 지식 그래프를 구축한다.
• 실체 간 관계를 삼중항(헤드, 관계, 테일)으로 모델링하여 데이터에서 시각화로의 매핑을 인코딩한다.
• TransE-adv를 적용하여 실체 및 관계의 저차원 벡터 표현을 학습한다.
• 쿼리 임베딩과 학습된 실체 임베딩 간의 의미적 유사도를 계산하여 새로운 데이터셋에 대한 추론을 수행하고 시각화를 추천한다.
• 벡터 간 거리와 관계 패턴을 활용하여 학습된 임베딩에서 설명 가능한 규칙을 추출하여 추천의 근거를 제공한다.

실험 결과

연구 질문

• RQ1 규칙 기반 및 블랙박스 기반 머신러닝 시각화 추천 시스템의 한계를 해결하기 위해.
• RQ2 수동 규칙 설정 없이 데이터셋-비주얼라이제이션 쌍에서 시각화 규칙을 자동으로 학습할 수 있는가?
• RQ3 KG4Vis는 새로운 데이터셋에 대해 정확하고 의미적으로 유의미한 시각화를 얼마나 효과적으로 추천하는가?
• RQ4 KG4Vis는 전문가가 수작업으로 정의한 히ュ리스틱과 비교해 얼마나 높은 수준의 설명 가능한 추천을 제공하는가?
• RQ5 기존 규칙 기반 및 머신러닝 기반 시각화 추천 시스템과 비교해 정확도 및 효율성 측면에서 KG4Vis의 성능은 어떠한가?
• RQ6 색상 사용 및 앵글 비율과 같은 추가적인 시각화 디자인 선택지를 지식 그래프에 통합할 수 있는가?

주요 결과

• KG4Vis는 시각화 유형 추천에 대해 평균 역순위(MRR) 1.7755를 기록했으며, 신경망 기반 VizML에 비해 略로 낮지만 훨씬 뛰어난 설명 가능성을 확보했다.
• KG4Vis는 평균적으로 데이터셋당 0.07초 내로 시각화를 추천하여 실시간 성능을 달성했다.
• 전문가 인터뷰 결과, 자동으로 추출된 규칙는 의미적으로 유의미하며 기존 시각화 원칙과 잘 부합함을 확인했다.
• 사례 연구를 통해 KG4Vis는 복잡하고 다차원적인 데이터를 포함한 다양한 데이터셋에 대해 적절한 시각화를 성공적으로 추천함을 입증했다.
• 지식 그래프 프레임워크는 확장 가능하며 추가적인 디자인 선택지를 통합할 수 있으나, 엔티티 집합이 확장될수록 학습 시간이 선형적으로 증가함을 확인했다.
• 전통적인 규칙 기반 시스템에 비해 확장성과 일반화 능력에서 뛰어나며, 동시에 딥러닝 모델의 블랙박스 성향을 피함으로써 우수한 성능을 발휘했다.