[论文解读] Word Storms: Multiples of Word Clouds for Visual Comparison of Documents

Quim Castellà, Charles Sutton|arXiv (Cornell University)|Jan 3, 2013

Data Visualization and Analytics参考文献 11被引用 14

一句话总结

本文提出词风暴——一种用于比较文档的多个词云的协调可视化方法——通过在一致的位置、颜色和方向上对齐各词云中的共享词汇，实现视觉上的协调。该方法显著提升了视觉比较效果，自动分类任务和用户研究均表明其在识别词汇存在性、文档相似性及差异性方面具有更高的准确性。

ABSTRACT

Word clouds are a popular tool for visualizing documents, but they are not a good tool for comparing documents, because identical words are not presented consistently across different clouds. We introduce the concept of word storms, a visualization tool for analysing corpora of documents. A word storm is a group of word clouds, in which each cloud represents a single document, juxtaposed to allow the viewer to compare and contrast the documents. We present a novel algorithm that creates a coordinated word storm, in which words that appear in multiple documents are placed in the same location, using the same color and orientation, in all of the corresponding clouds. In this way, similar documents are represented by similar-looking word clouds, making them easier to compare and contrast visually. We evaluate the algorithm in two ways: first, an automatic evaluation based on document classification; and second, a user study. The results confirm that unlike standard word clouds, a coordinated word storm better allows for visual comparison of documents.

研究动机与目标

• 为解决标准词云在比较多份文档时因词汇位置不一致而存在的局限性。
• 通过使相似文档在布局上呈现视觉相似性，使用户能够直观比较和对比文档。
• 开发一种布局算法，基于共享内容协调多个词云中的词汇位置。
• 通过自动分类任务和用户研究评估协调词风暴的有效性。

提出的方法

• 结合 Wordle 的贪心随机布局策略与基于优化的方法，协调多个词云中的词汇位置。
• 使用受多维尺度缩放启发的目标函数以最大化协调性，确保相同词汇在各词云中处于相同位置、颜色和方向。
• 将该算法应用于学术论文和研究资助提案等语料库，生成共享词汇在空间上对齐的词风暴。
• 采用词云的像素向量表示，用于在文档分类任务中进行自动评估。
• 通过用户研究比较协调词风暴与独立词云在词汇存在性、相似性及差异性检测任务中的表现。
• 使用余弦相似度对词袋表示进行计算，以识别评估中最具相似性和最不相似的文档对。

实验结果

研究问题

• RQ1 与独立词云相比，协调词云是否能显著提升文档的视觉比较效果？
• RQ2 共享词汇的空间协调在多大程度上增强了用户检测词汇存在或缺失的能力？
• RQ3 协调布局在多大程度上提升了用户识别语料库中最具相似性或最不相似文档对的能力？
• RQ4 协调词风暴表示能否作为自动文档分类的有效特征？
• RQ5 词风暴的结构化布局是否减少了用户在比较多份文档时的混淆？

主要发现

• 在用户研究中，90%的参与者使用协调词风暴正确识别了最不同的文档，而使用独立词云的参与者仅占30%。
• 在识别最具相似性的文档对方面，70%的用户使用协调词风暴成功，而使用独立词云的用户仅占10%。
• 即使未被告知布局协调机制，用户在使用协调词风暴时也表现出更高的精确率和召回率，以检测词汇在不同词云中的存在性。
• 自动评估显示，当将协调词风暴表示作为像素向量处理时，其在文档分类任务中表现出有效的特征性能。
• 协调布局显著减少了视觉混乱，使用户能够更准确地感知文档之间的相似性与差异性。
• 两种条件下的回答时间无显著差异，表明协调词风暴带来的准确性提升并非由于任务持续时间增加。