[论文解读] Towards effective visual analytics on multiplex and multilayer networks

Matteo Magnani, Luca Rossi|arXiv (Cornell University)|Jan 7, 2015

Complex Network Analysis Techniques参考文献 11被引用 3

一句话总结

本文提出了一种新颖的视觉分析方法，通过利用网络度量——特别是相关性与独占相关性——来简化并突出显示有意义的结构模式，从而减少视觉杂乱。通过基于这些度量过滤节点，并与随机零模型进行比较，该方法揭示了在标准可视化中不明显的非随机、局部化聚类，表明基于度量的简化能够增强在复杂多层系统中提取洞察的能力。

ABSTRACT

In this article we discuss visualisation strategies for multiplex networks. Since Moreno's early works on network analysis, visualisation has been one of the main ways to understand networks thanks to its ability to summarise a complex structure into a single representation highlighting multiple properties of the data. However, despite the large renewed interest in the analysis of multiplex networks, no study has proposed specialised visualisation approaches for this context and traditional methods are typically applied instead. In this paper we initiate a critical and structured discussion of this topic, and claim that the development of specific visualisation methods for multiplex networks will be one of the main drivers pushing current research results into daily practice.

研究动机与目标

• 为解决目前多层网络可视化技术缺乏专门方法的问题，这些方法目前依赖于通用的单层方法。
• 通过使用网络度量简化表示，减少多层网络中的视觉杂乱。
• 识别并突出显示在标准可视化中被掩盖的非随机、局部化结构模式。
• 通过与随机化零模型比较，验证所检测到的模式并非随机产生。
• 证明基于相关性与独占相关性的简化方法能够揭示多层网络中隐藏的社区结构。

提出的方法

• 该方法应用相关性与独占相关性度量，识别在多层网络特定层中高度连接的节点。
• 基于相关性与独占相关性的阈值对节点进行过滤，生成仅保留最具有结构重要性的连接的简化子网络。
• 该方法使用一种零模型，其中节点以与真实数据中相同的度数随机选择，从而保留边数但不保留结构相关性。
• 计算真实网络与零模型网络的传递性（聚类系数），以评估所检测到的聚类是否具有统计显著性。
• 从过滤后的网络生成可视化，以突出结构模式，节点大小和颜色表示度量值。
• 该方法应用于一个包含五个层级（如工作、共进午餐等）的真实世界多层网络，展示了其在实证数据上的有效性。

实验结果

研究问题

• RQ1 能否使用相关性与独占相关性等网络度量来简化多层网络可视化并减少视觉杂乱？
• RQ2 通过基于度量的过滤生成的简化网络是否能揭示在完整多层表示中不可见的非随机、局部化结构模式？
• RQ3 在简化网络中检测到的聚类是否具有统计显著性，还是可能为偶然产生？
• RQ4 相关性与独占相关性的不同阈值对方法性能有何影响？
• RQ5 所提出的简化方法是否可推广至多组层级，从而实现对多层结构的组合式探索？

主要发现

• 使用相关性与独占相关性简化后的网络，其传递性（聚类系数）始终高于相应的随机零模型，表明存在非随机、局部化的聚类。
• 在高相关性阈值下，真实网络与随机网络的传递性均因网络稀疏性而下降，但真实网络保持更高的传递性值，证实了其结构显著性。
• 该方法成功识别出U4作为跨多个层级的中心枢纽，尤其在工作和共进午餐层级中表现出显著的跨层连接作用。
• 使用独占相关性揭示出仅在一个层级中高度相关的节点往往形成局部化、高度连接的群体，表明存在层级特定的社区结构。
• 结果表明，同时可视化所有层级会导致信息过载，而基于度量的简化显著提升了可解释性与洞察发现能力。
• 该方法表明，基于网络度量的简化能够揭示通过标准可视化技术无法检测到的隐藏社区结构。