论文：D-Map: Visual Analysis of Ego-centric Information Diffusion Patterns in Social Media
作者：Siming Chen, Shuai Chen, Zhenhuang Wang, Jie Liang, Xiaoru Yuan, Nan Cao, Yadong Wu
发表：2016 VAST Conference track
一、简介
本文研究微博上的社交媒体数据，研究目标为：挖掘信息扩散的模式以及重要社交媒体用户在信息扩散的过程中发挥的作用。这样的研究通常面临三个主要挑战：异构社交媒体数据、难以定义的用户影响力和复杂的可视设计。为了解决上述问题，本文提出了一种使用地图作隐喻的可视化设计——信息扩散地图，在该图上展示信息传播的历史过程以及用户行为变化过程。
二、核心可视化设计
信息扩散地图（上图）为本文最重要可视化设计。其中，地图被分为不同颜色片区，每个片区表示一个联系紧密社团，该社团的颜色用最能代表该社团数据特征的数据属性所属色系表示。用户或用户群体被抽象为六边形节点，六边形中深灰色的小六边形大小表示该节点表示的用户或用户群体微博转发数量的多少，由于单个用户转发数量少，因此在表示单个用户的节点内不绘制小多边形。表示中心用户的多边形用橙色边框标记，表示核心用户的多边形用黑色边框标记，表示在社团内部具有高影响力的核心用户用灰色框标记。为了减少视觉上的遮挡，地图默认只展示社团之间的微博转发情况，用节点之间带箭头的弧线表示；个体之间的微博转发情况可以通过交互展示。
三、主要算法
1. 社团检测
采用对数相似函数计算包含 n 个节点的无向图 G 的 K 个社团：
其中 m_rs 表示社团 r 和 s 之间的连接数，k_r 和 k_s 分别表示社团 k 和社团 s 内部节点的度数和。我们首先将图随机的分为 K 个社团，之后通过调整节点所属社团，计算改变后的 L 值，计算得到最大 L 值时确定社团分布。
2.信息扩散地图构造
（a）:将布局转化为力引导图布局
（b）：合并相邻的节点
（c）：将合并后的节点区块沿选定方向向中心节点的位置处移动靠拢，以紧凑布局
（d）：调整布局，填满布局中的空缺区域
（e）：根据转发时间先后在社团内部由内到外重新排列节点位置
四、总结
本文的工作是一种研究中心用户社交网络的可视化方法，主要贡献即设计的可视化方法和可视化系统。
其中的核心设计设计感强烈，设计理念鲜明，但仍有不足之处，比如用同样大小的六边形分别表示单个用户或用户群体；此外，本文设计的可视化系统过于复杂，且文章没有阐释部分视图出现的作用以及必要性，这些视图与整个系统的联系相对较弱。
✉️ zhangtianye1026@zju.edu.cn