6.3.1 动态网络数据的可视化
针对动态网络中广泛存在的特征,近年来学术界在动态网络类型、动态拓扑结构测度、动态数据描述、动态网络的建模、动态网络传播模型以及动态网络可视化等方面开展了研究。如今,虽然针对复杂网络的可视化技术已经非常全面、成熟,但针对动态网络的可视化技术依然是一个开放的问题,对于一个好的动态网络可视化布局来说,应该基于复杂网络的动态特性,满足实际应用的需求,继而通过最大化传递信息来提高用户对网络的认知。根据网络数据可视化不同的需求任务,现有的动态网络可视化技术研究工作可以分为基本动态网络可视化、多属性和大规模动态网络可视化、多任务的动态网络可视化。
1.基本动态网络可视化
在以往的研究中,动态网络可视化方法可根据其对时间的映射方式进行分类,分别为:时间-时间映射的动画(animation)、时间-空间映射的小视图(small-multiples)和两者混合的方法。动画方法是让时间维度与可视化中的时间轴形成相互映射,其中主要采用顶点链接图来对每个时间步进行布局。意向图(mental map)是一种当用户观察动态图时产生在大脑中的抽象结构信息。在针对时间-时间映射的动画中,一旦动态图发生一些突然的改变,用户大脑中的意向图就可能被破坏,继而破坏布局的稳定性。因此,针对动画方法的动态网络可视化研究,如何保存各时间步布局中意向图是研究的关键。在现有的动画方法研究中,根据对时间序列可考量范围,将动画方法又分为只考量过去时间序列的全部图序列都提前已知的离线布局方法(offline)和同时考量过去和将来时间序列的全部图序列提前未知的在线布局方法(online)两种。但现有的动画方法依然存在明显的不足,尤其在数据中的点边关系变化频繁时,用户记忆和追踪网络随时间的变化会产生一定的认知负担。在有限的记忆里不容易对网络整体变化留下印象,更不容易比较两个非相邻时间步之间的网络结构。
小视图方法是让时间序列与空间形成映射,即由单幅包含时间线的视图来显示全部时间序列的布局。小视图的方法不需要用户记忆演化过程,降低认知负担,可以更好地分析动态图的细节变化,但是它依然存在明显的不足:①小视图之间时间间隔可能过长,容易造成相邻时间步间关联的不明显;②随着平铺的小视图数量增加,在有限屏幕空间内每个小视图的可视大小会受到严重的压缩。
在避免动画和小视图两种方法弊端的同时,发挥各自的优点,现有的研究中产生了许多将这两种方法结合互补的方法。(https://www.daowen.com)
2.多属性和大规模动态网络可视化
真实世界中动态网络数据往往是多属性、大规模的。针对多属性的动态网络,Ko等人提出结合网络数据概览图和编码节点多属性关联细节的可视化方法来探索高维多变量的动态网络数据,实现跨维度的异常检测管理。而另一方面,数据规模的不断增大,可视化结果容易忽视动态网络中细小的改变,使得跟踪时间演化变得困难。James等人提出了“兴趣度”(degree of interest)的概念,用来量化每个时间步上图形元素的兴趣程度来考量网络中相邻结构信息、点边属性以及它们随时间的变化,由此解决数据规模庞大的可视化问题。
3.多任务的动态网络可视化
动态网络可视化的目的是更好地帮助用户理解和分析网络数据中丰富的信息资源,那么就需要从实际任务出发,最大化地将网络中的信息全面、直观地传递给用户。为此,动态网络的可视化需要分析动态网络的多样性和复杂性,根据不同类型的动态网络的需求类型匹配合适的可视化技术才能帮助用户探索网络随时间变化的特征和规律。
现有的研究中出现了很多对于动态网络具体应用需求和特性的探索。例如,在面对金融网络、病毒传播网络时,Landesberger等人提出的工具研究比较不同网络蔓延模型来研究网络中某个节点的崩溃会导致相邻节点的崩溃和网络连锁反应。Steiger等人通过分析传感器网络时间序列数据,挖掘各种不同的时间模式,包括季节影响、网络异常和周期性变化。这两种方法都没有考虑到节点和边之间的结构关联。为了研究病毒传播的规律,Elzen等人把动态网络的时间步看作为高维空间的点,然后运用降维方法将其投影到二维空间中,建立网络演变的规律与空间中节点的位置布局的关联,使得相似的时间步离得比较近而形成一个聚类。通过这种方式,继而实现网络稳定、重复和异常等状态的可视化,由此来分析社交网络的状态和规律。这种方法将大维度节点投影直接投影到二维空间会造成数据损失,从而影响投影结果。在面对真实动态网络数据,面向实际可视化任务时,如何选择合适的可视化技术应用到对应的数据和任务是研究的关键问题之一,只有合适的可视化方法才能针对具体的需求帮助用户更好地探索动态网络的规律和特征。
