[论文解读] KG4Vis: A Knowledge Graph-Based Approach for Visualization Recommendation

Hao-Tian Li, Yong Wang+3 more|PubMed|Jul 27, 2021

Data Visualization and Analytics参考文献 57被引用 9

一句话总结

KG4Vis 提出了一种基于知识图谱的可解释可视化推荐方法，无需人工规则定义即可从数据集-可视化配对中自动学习可视化规则。通过将数据特征、列和设计选择建模为知识图谱中的实体，并使用基于 TransE 的嵌入学习，该方法实现了快速、可解释的推荐，并支持规则提取，在评估中表现出高准确率和强可解释性。

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.

研究动机与目标

• 解决基于规则和黑箱机器学习的可视化推荐系统存在的局限性。
• 通过自动化推导规则，消除对可视化专家手动制定规则的需求。
• 通过自动获取的、语义有意义的规则，提升可视化推荐的可解释性。
• 利用从数据集-可视化配对中学习到的嵌入表示，实现实时、数据驱动的推荐。
• 支持普通用户在无需深入掌握可视化设计知识的情况下创建有效可视化。

提出的方法

• 利用统计和结构元数据，从数据集-可视化配对中提取表达性强的数据特征。
• 构建包含三种实体类型的知识图谱：数据特征、数据列和可视化设计选择（如图表类型、坐标轴排列方式）。
• 将实体间的关系建模为三元组（头实体，关系，尾实体），以编码数据到可视化的映射关系。
• 应用 TransE-adv 这一知识图谱嵌入技术，学习实体和关系的低维向量表示。
• 通过计算查询嵌入与学习到的实体嵌入之间的语义相似度，对新数据集执行推理以推荐可视化。
• 利用向量接近度和关系模式，从学习到的嵌入中提取可解释的规则，以说明推荐原因。

实验结果

研究问题

• RQ1 基于知识图谱的方法能否在无需人工规则工程的情况下，从数据集-可视化配对中自动学习可视化规则？
• RQ2 KG4Vis 在为新数据集推荐准确且语义有意义的可视化方面效果如何？
• RQ3 与专家制定的启发式规则相比，KG4Vis 通过推导出的规则在提供可解释推荐方面能达到何种程度？
• RQ4 在准确率和效率方面，KG4Vis 与现有基于规则和机器学习的可视化推荐系统相比表现如何？
• RQ5 该知识图谱框架能否扩展以支持额外的可视化设计选择，如颜色使用和长宽比？

主要发现

• KG4Vis 在可视化类型推荐上的平均倒数排名（MRR）为 1.7755，略低于基于神经网络的 VizML，但可解释性更优。
• 系统平均每个数据集的推荐耗时为 0.07 秒，支持实时性能。
• 专家访谈确认，自动提取的规则语义合理，且与既定的可视化原则高度一致。
• 案例研究显示，KG4Vis 在多种数据集（包括复杂和多维数据）上均能成功推荐合适的可视化。
• 知识图谱框架具有可扩展性，可扩展添加额外设计选项，但训练时间随实体集扩大呈线性增长。
• 该方法在可扩展性和泛化能力方面优于传统基于规则的系统，同时避免了深度学习模型的黑箱特性。