[论文解读] SkyLens: Visual Analysis of Skyline on Multi-dimensional Data

Xun Zhao, Yanhong Wu+6 more|arXiv (Cornell University)|Aug 11, 2017

Data Management and Algorithms参考文献 33被引用 3

一句话总结

SkyLens 是一个视觉分析系统，通过揭示决定性子空间和支配关系，帮助用户理解和比较多维数据中的天际线点。它结合了用于聚类/异常点检测的投影视图、用于属性级别排序的表格视图，以及用于详细属性和支配关系分析的比较视图，显著提升了多准则场景下的决策效率。

ABSTRACT

Skyline queries have wide-ranging applications in fields that involve multi-criteria decision making, including tourism, retail industry, and human resources. By automatically removing incompetent candidates, skyline queries allow users to focus on a subset of superior data items (i.e., the skyline), thus reducing the decision-making overhead. However, users are still required to interpret and compare these superior items manually before making a successful choice. This task is challenging because of two issues. First, people usually have fuzzy, unstable, and inconsistent preferences when presented with multiple candidates. Second, skyline queries do not reveal the reasons for the superiority of certain skyline points in a multi-dimensional space. To address these issues, we propose SkyLens, a visual analytic system aiming at revealing the superiority of skyline points from different perspectives and at different scales to aid users in their decision making. Two scenarios demonstrate the usefulness of SkyLens on two datasets with a dozen of attributes. A qualitative study is also conducted to show that users can efficiently accomplish skyline understanding and comparison tasks with SkyLens.

研究动机与目标

• 为了解决解释为何某些数据点位于天际线中的挑战，特别是当其优越性源于复杂多属性组合时。
• 支持对彼此不支配的天际线点进行系统性比较，克服传统天际线查询仅识别非支配点的局限性。
• 通过提供天际线语义和关系的可视化、交互式探索，降低多准则决策中的认知负荷。
• 通过专用的视觉编码，使用户能够理解某一点成为天际线成员背后的因素——例如，哪些属性或子空间促成了其支配地位。
• 通过支持用户对天际线查询的细化以及对属性和点的动态重新排序，实现灵活的用户交互，以实现聚焦分析。

提出的方法

• 该系统采用投影视图，使用符号图示展示天际线点，以显示聚类模式和异常点，使用户能够一目了然地识别结构特征。
• 表格视图展示详细的属性值，并按每个属性对天际线点的表现进行排序，突出显示决定其天际线成员身份的关键子空间。
• 比较视图通过可视化维度间的属性差异和支配关系，支持对最多几个天际线点的并排分析。
• 控制面板允许用户通过选择或过滤属性和点来细化天际线查询，支持迭代探索。
• 交互功能如过滤、重新排序以及弹出式比较窗口（例如，勒布朗·詹姆斯 vs. 克里斯·保罗）支持聚焦的、以用户为中心的分析。
• 系统采用 Börzsönyi 等人提出的天际线算法进行计算，未来可在更大数据集上实现性能优化。

实验结果

研究问题

• RQ1 当优越性源于复杂多属性组合时，用户如何有效理解数据点被纳入天际线的原因？
• RQ2 哪些视觉和交互技术能够支持对彼此不支配、且难以通过单一指标排序的天际点进行比较？
• RQ3 系统如何帮助用户理解单个属性和子空间在决定天际线成员身份中的作用？
• RQ4 视觉分析在何种方式下可降低认知负荷并提升多准则选择任务中的决策效率？
• RQ5 当用户目标模糊或不断演变时，其在使用 SkyLens 与 LineUp 等系统时的偏好和行为有何不同？

主要发现

• 用户报告称，SkyLens 显著提升了他们理解与比较天际线点的能力，尤其是在对数据集缺乏先验知识的情况下。
• 定性研究表明，用户在使用 SkyLens 时能够高效完成天际线理解与比较任务，尤其是在偏好模糊或动态变化时。
• 在探索目标不明确的数据时，用户更偏好 SkyLens 而非 LineUp；而在用户有明确目标和权衡时，LineUp 更受青睐。
• 投影视图在存在上百个点的情况下，仍能有效支持天际线数据中聚类和异常点的识别，且符号重叠在可接受范围内。
• 表格视图成功揭示了每个天际线点的关键子空间，使用户能够理解是哪些属性或组合促成了其支配地位。
• 比较视图支持从属性值和支配关系两个角度对多个天际线点进行详细、无偏见的比较，有助于实现细致的决策。