作者
浙江财经大学：
- 刘玉华
- 张汝敏
- 张靖宇
- 高峰
- 高远
- 周志光（浙江大学CAD&CG国家重点实验室）
摘要
网络图可视化可以有效展示网络节点之间的连接关系，广泛应用于诸多领域，如社交网络、知识图谱、生物基因网络等，随着网络数据规模的不断增加，如何简化表达大规模网络图结构已成为图可视化领域中的研究热点，经典的网络图简化可视化方法主要包括图采样、边绑定和图聚类等技术，在减少大量点线交叉造成的视觉紊乱的基础上，提高用户对大规模网络结构的探索和认知效率。然而，上述方法主要侧重于网络图中的拓扑结构，却较少考虑和利用多元图节点的多维属性特征，难以有效提取和表达语义信息，从而无法帮助用户理解大规模多元网络的拓扑结构和多维属性之间的内在关联，为大规模多元图的认知和理解带来苦难。因此，本文提出一种语义增强的多规模多元图简化可视化方法，首先在基于模块度的图聚类算法基础上提取出网络图的层次结构；其次通过多维属性信息熵的计算和比较分析，对网络层次结构进行自适应划分，筛选出具有最优属性聚集特征的社团；进而设计交互便捷的多个关联视图来展示社团之间的拓扑结构、层次关系和属性分布，从不同角度帮助用户分析多维属性在社团形成和网络演化中的作用。大量实验结果表明，本文方法能够有效简化大规模多元图的视觉表达，可以快速分析不同应用领域大规模多元图的关联结构与语义构成，具有较强的实用性。
引言
传统的大规模网络图简化可视化方法，难以充分利用网络节点的多维属性信息。
贡献：
- 考虑多维属性信息，提出网络层次结构的自适应划分算法。
- 针对多尺度的社团集，优化改进传统的力导引图、层次结构图和桑基图。
- 集成上述方法和设计，开发了一套多元网络图的可视分析系统。
相关工作
- 基于图采样的简化方法
- 图节点采样
- 边采样
- 遍历的采样策略（DFS、BFS、Snow-Ball、Forest Fire、随机游走采样）
- 基于边绑定的简化方法
- 基于图聚类的简化方法
系统流程概述
语义增强的大规模多元图聚类
语义增强的大规模图简化可视分析
结果评估
新浪微博（API跟踪转发数据，职业、地域、年龄）
论文引用（领域、发表时间）
专家反馈和用户实验
总结与展望
本文提出了一种针对大规模多元图的语义增强简化可视分析方法。
思考
Critical thinking:
不同的属性分组策略会导致不同的社团聚集结果
无法处理千万级别的数据
Creative thinking:
目前使用颜色进行编码，可以考虑使用形状、纹理等
多层级交互方式
使用并行处理框架与集群
How to apply to our work:
本文的数据处理、模型计算和系统设计部分值得借鉴