论文：UnTangle Map: Visual Analysis of Probabilistic Multi-Label Data
作者：Nan Cao, Yu-Ru Lin, and David Go
发表：TVCG 2015
研究对象：概率多标签数据
一、创新点
- 精确可控的标签节点布局算法
- 提高可拓展性的聚类渲染技术
- 易于理解的评估
二、可视设计
1、三元图：三个顶点为三个标签，将每个数据项对应的三个属性值的和归一后投影到三元图上，其总值的大小用点的透明度编码。
2、三元图网格：很多个三元图组合到一起就形成了三元图网格，在形成的过程中会出现一些公共点和公共边，它们对用户观察 pattern 有很大的影响作用（可以看到下图中不同节点位于中心的 pattern 是不一样的），所以网格上的节点位置排布十分重要。系统一方面提供优化算法可以自动生成网格，另一方面用户可以用交互对位置进行调整。此外，这里通过节点的颜色来编码标签的主导程度。
三、交互
更换相关度测量方法
从数据集中刷选要观察的标签
增减标签
移动标签位置
调整呈现的精确度（贡献之一，效果见下图）
四、算法
1、优化目标：相邻的标签相关度尽可能高，数值表达如下：
α 为调节系数，左边部分考滤所有边的平均相关度，右边部分以三元图为单位考虑所有三元图中全部边的平均相关度（公共边重复计算）。
2、搜索空间：新增标签可放置位置数*剩余标签数
五、评估
1、比较不同布局算法的实现：变种爬山法优于贪婪算法。
2、评估方法的可拓展性：其计算性能是线性递增的，但是在 medium 和 rough 层级下的呈现性能几乎不随数据量增减而增加。
3、比较该方法和其它可视方法下一些任务的执行时间和准确度：该方法在前四个任务中都是最优的，但是第五个不如其他方法。
4、案例分析：
从第一张图中我们可以看出，红圈中的节点所代表的学科方向的热度在 2011-2013 年有所下降，学校都对这个方向有所疏远。在第二张图中，放大这部分可以观察到，在这些学校中，斯坦福大学的研究方向转变是走在很多大学前面的。
六、总结
1、不足：
- 难以识别标签之间的线性关系
- 案例分析只涉及到了精确级别的设计
- 归一难以直接比较数值
2、优势：
- 文章全面且详细
- 设计感强
- 方法有效性得到证明
3、未来工作：
- 提高定位相关信息和比较的能力
- 更加全面的用户调研
- 和其他可视化方法（散点图，柱状图）结合以应用于更多类型的变量
✉️ wangxumeng@zju.edu.cn