[论文解读] Group-Level Graph Visualization Taxonomy

Bahador Saket, Paolo Simonetto+1 more|arXiv (Cornell University)|Mar 21, 2014

Data Visualization and Analytics参考文献 20被引用 23

一句话总结

本文提出了一种用于可视化聚类图的群体级任务的新分类法，扩展了现有的可视化任务分类法，以应对分析网络中分组、聚类和层次结构所特有的挑战。通过将这些任务整合到Brehmer与Munzner的多层级分类法中，作者提供了一个标准化框架，用于评估如BubbleSets、LineSets和GMap等群体感知可视化技术，从而增强了评估研究中的可重复性和可比性。

ABSTRACT

Task taxonomies for graph and network visualizations focus on tasks commonly encountered when analyzing graph connectivity and topology. However, in many application fields such as the social sciences (social networks), biology (protein interaction models), software engineering (program call graphs), connectivity and topology information is intertwined with group, clustering, and hierarchical information. Several recent visualization techniques, such as BubbleSets, LineSets and GMap, make explicit use of grouping and clustering, but evaluating such visualization has been difficult due to the lack of standardized group-level tasks. With this in mind, our goal is to define a new set of tasks that assess group-level comprehension. We propose several types of group-level tasks and provide several examples of each type. Finally, we characterize some of the proposed tasks using the multi-level typology of abstract visualization tasks. We believe that adding group-level tasks to the task taxonomy for graph visualization would make the taxonomy more useful for the recent graph visualization techniques. It would help evaluators define and categorize new tasks, and it would help generalize individual results collected in controlled experiments.

研究动机与目标

• 为评估社交网络、生物学和软件工程等领域中群体感知图可视化技术缺乏标准化任务定义的问题提供解决方案。
• 通过正式整合群体级理解任务，扩展现有的图可视化任务分类法。
• 提供一个结构化的多层级分类法（为何/如何/什么），用于描述群体级任务，从而在评估研究中实现更清晰的任务定义。
• 支持新可视化技术的设计与评估，这些技术明确表示聚类和层次结构。
• 提高图可视化研究中控制实验的可推广性和可重复性。

提出的方法

• 提出一组按认知和分析目标分类的群体级任务，例如发现、比较和总结。
• 将抽象可视化任务的多层级分类法（为何/如何/什么）适配用于详细描述每一项群体级任务。
• 使用真实世界的可视化示例（例如BubbleSets、GMap、LineSets）将任务定义与实际可视化设计相结合。
• 通过具体示例展示任务描述，说明任务如何映射到为何/如何/什么框架。
• 根据任务的输入/输出结构、所需认知操作及其在分析中的目的对任务进行分类。
• 提出一个框架，用于将该分类法扩展至重叠聚类和更复杂的群体交互。

实验结果

研究问题

• RQ1 如何系统化地对图可视化中的群体级任务进行分类和描述，以提高评估的一致性？
• RQ2 在社交网络和生物系统等领域的聚类图分析中，群体级理解任务的关键类型有哪些？
• RQ3 如何将Brehmer与Munzner的多层级分类法适配以包含群体级任务，从而实现更精确的任务定义？
• RQ4 在认知负荷和分析目标方面，群体级任务与传统的基于拓扑的图任务有何不同？
• RQ5 该分类法如何支持强调聚类和层次结构的新可视化技术的设计与评估？

主要发现

• 本文成功定义了一套全面的群体级任务，包括发现、比较和总结，这些任务扩展了传统的图可视化任务分类法。
• 将为何/如何/什么分类法整合进来，使得群体级任务的描述更加精确、标准化，从而提高了评估研究中的清晰度和可重复性。
• 例如'找出链接最多的3个群体'这样的示例表明，可以通过多层级框架正式描述任务，从而支持一致的实验设计。
• 作者表明，群体级任务可从元图表示中推导出来，其中聚类被视为元节点，元边基于聚类间的连接关系构建。
• 该分类法具有可扩展性，可适应重叠聚类，但需引入额外的任务类型，因为复杂度增加。
• 所提出的分类法通过提供统一的任务定义语言，增强了对BubbleSets、LineSets和GMap等新兴可视化技术的评估。