[论文解读] Interactive graph query language for multidimensional data in Collaboration Spotting visual analytics framework

Ádám Agócs, Dimitrios Dardanis+2 more|arXiv (Cornell University)|Dec 12, 2017

Data Visualization and Analytics参考文献 1被引用 4

一句话总结

本文在协作发现框架内提出了一种交互式图查询语言，通过将多维数据网络分解为低维、用户可导航的视图，以增强视觉感知与分析推理能力。通过使用类似 SPARQL 的查询在标记的、有向的和加权的子网络中实现动态导航，该系统支持对复杂数据的直观探索——在包含 4600 万个节点和 1.5 亿条边的出版物与专利网络上进行了演示，显著提升了大规模可视化分析中的清晰度与性能。

ABSTRACT

Human reasoning in visual analytics of data networks relies mainly on the quality of visual perception and the capability of interactively exploring the data from different facets. Visual quality strongly depends on networks' size and dimensional complexity while network exploration capability on the intuitiveness and expressiveness of user frontends. The approach taken in this paper aims at addressing the above by decomposing data networks into multiple networks of smaller dimensions and building an interactive graph query language that supports full navigation across the sub-networks. Within sub-networks of reduced dimensionality, structural abstraction and semantic techniques can then be used to enhance visual perception further.

研究动机与目标

• 解决在高维复杂度和大规模规模下可视化与探索大型多维数据网络的挑战。
• 通过支持用户在低维子网络中直观、交互式地导航，实现用户驱动的数据降维。
• 在子网络内通过抽象技术保持数据内容的语义与结构保真度，同时提升视觉感知能力。
• 开发一种灵活且可扩展的查询语言，支持用户指定的视图以及对带标签、有向和加权图的动态导航。
• 实现在现实世界领域中的实际应用，如科学协作发现、研发合作识别和采购情报。

提出的方法

• 基于节点标签，将大型、多维、有向且带标签的图分解为多个低维子网络（视图），以支持聚焦探索。
• 定义一种受 SPARQL 启发的图查询语言，作用于用户指定的视图，支持选择、跨视图导航和扩展等操作。
• 在每个视图内使用结构抽象技术（如聚类、合并）以减少视觉杂乱，同时不损失关键数据语义。
• 使用 Neo4j 作为后端图数据库实现系统，将数据以带标签属性图的形式存储，节点间通过有向加权边连接。
• 支持用户交互作为查询输入：用户选择节点（如技术），系统基于所选标签和关系动态生成并渲染视图。
• 初始实现将核心视图和桥接视图限制为单标签约束（如桥接视图仅允许 'Published Item'），以提升性能并简化交互。

实验结果

研究问题

• RQ1 如何将多维数据网络分解为可导航的低维子网络，以提升视觉感知与分析推理能力？
• RQ2 交互式图查询语言在多大规模网络中，能在多大程度上增强用户驱动的数据降维，同时保持语义与结构信息的完整性？
• RQ3 使用带标签、有向和加权视图对复杂数据网络中可视化分析的清晰度与性能有何影响？
• RQ4 SPARQL 风格的查询操作在多大程度上可被适配以支持在多个图视图间进行动态导航与过滤？
• RQ5 该方法是否可泛化并应用于科学出版物与专利之外的多样化领域，如软件依赖关系或商业智能？

主要发现

• 系统成功管理了一个包含 4620 万个节点和 1.566 亿条边的大规模数据网络，数据源自 2000 至 2014 年的出版物与专利，展现出良好的可扩展性。
• 基于视图的分解方法使用户能够通过聚焦的低维子网络探索复杂关系，显著提升了视觉清晰度与用户导航效率。
• 交互式查询语言支持视图间的动态切换（如从 'Technology' 切换到 'Subject Category' 再返回），支持迭代式分析推理。
• 通过将核心视图和桥接视图限制为单一标签（如 'Published Item'），有效降低了查询复杂度，加速了渲染性能。
• 该框架具有通用性与可扩展性，当整合金融或新闻等额外数据源后，可在研发协作、采购、政策制定等更多领域中应用。
• 该系统已在 CERN 部署并用于识别关键技术领域的关键参与者，支持高能物理领域内的跨学科与跨部门协作。