论文：Formalizing Visualization Design Knowledge as Constraints: Actionable and Extensible Models in Draco

作者：Moritz D, Wang C, Nelson GL, Lin H, Smith AM, Howe B, Heer J.

发表：IEEE TVCG 2018

img

Introduction

程序员编写的可视化图表与专家眼中的设计标准总存在差距。我们无法每次都向可视化专家咨询设计上的意见，所以我们需求将设计标准，研究成果应用于自动化设计工具的正式框架，这些工具有助于对于推荐数据的合理编码和正确的视觉探索方式。我们建议将可视化设计标准建模为约束的集合，并结合从实验数据中学习到的软约束的权重，使用求解器把理论设计知识具体的，可扩展和可测试的表达出来的系统。我们使用 Draco 实现了我们的想法，Draco 是一个基于答案集编程（ASP）的基于约束的系统。本文的贡献可以概括为以下三点：

  • 本文提出了一种自动化可视设计的规范框架 ，使用一些设计规范来帮助用户制作好的可视化设计
  • 本文将可视化设计建模为约束条件进行最优化求解，有些约束条件是硬性条件(必须满足)，有些是软性条件(带有惩罚)
  • 本文基于 Clingo，这是一种基于答案集编程(ASP)的求解器，还有 Vega-Lite, 这是一种 json 化的可视化图表语法
    img

Visual Encoding Principles

可视化设计标准定义了在可视化图表当中最基本的概念，mark 是可视化中的基本图形元素，channel 是表达数据的方式和频道。比方说一张折线图，它的 mark 是线段，channel 是位置(高低)。
img

除此之外，可视化还将数据类型 data 定义为：continuous(数值型，10 英尺，23 岁)，ordered(离散型，有大小之分，如星期几)，categorical(离散型，无大小之分，如苹果，梨子)三类。将处理数据 Aggregate 分为，sum, mean，count，median。

Vega-lite

Vega-Lite 吸收了前任对于视觉编码的研究成果，并参考了 d3，visQL(tableau 前身)等可视化语言。 Vega-Lite 结合了传统的图形语法，提供了可视化编码规则和分层和多视图显示。用户通过组合选择来指定交互式语义。在 Vega-Lite 中，选择是一种抽象，它定义输入事件处理，兴趣点和包含测试的谓词函数。选择通过用作输入数据，定义比例范围或通过驱动条件逻辑来参数化可视编码。 Vega-Lite 编译器自动合成必需的数据流和事件处理逻辑，用户可以覆盖这些逻辑以进行进一步的自定义。

img

Automated Visualization Design

过去的自动化设计系统使用预先设计的规则对用户的需求进行判定，通过聚类和穷举(dfs)，最后得到一个有限集合，通过 rankSVM 等排序算法，得到最后的偏好。这种方案的缺陷在于，穷举的搜索策略是深度优先搜索，复杂度过大，还有很多回溯，这对于大型设计空间来说效率低。 Draco 使用现代约束求解器和标准化的表示语言，并且还提出了软约束的概念，增加了灵活性。最近的一篇自动可视设计系统是来自 idl 实验室的 Voyager 2。
img

Modeling Visualization Design In Draco

  • 硬性可视化约束规范

  • 如前文所述，Draco 当中的规则分为硬规则和软规则。硬规则包括一些可视化图表内部的逻辑(比方说折线图无法表示种类等等)，还有许多用户自己定义的偏好。这些规则必须被满足。

    - Mark ∈ {bar, line, area, point}
- Channel ∈ {x, y, color, text, shape}
- Field ∈ {site, year, age}
- Type ∈ {categorical, continuous}
- Aggregate ∈ {sum, mean, count, median}
- Zero ∈ {yes, no}

    我们还可以写多条件 硬规则，如下所示

  • :- X
    X 这种情况不会发生

  • :- channel(_,shape), not mark(point)
    表明对于形状编码必须是是“点” ，其他标记类型（如区域，线，条或文本）不能对形状进行编码。

  • :- mark(bar), channel(E, y), continuous(E), not zero(E)
    表明必须使用零作为基线的垂直条形图。

软性可视化约束规范

  • :~ X [w]
    倾向于 X 这种情况不会发生，如果违反那么会有 w 的惩罚

  • :~ continuous(E), not zero(E) [5]
    表示模型更喜欢连续字段的坐标从零开始，并且违反规则会使这个模型的 cost 增加 5

通过以下的语句定义数据的信道偏好设置

  • :~ channel(E,y), type(E,nominal). [0]
  • :~ channel(E,x), type(E,nominal). [1]
  • :~ channel(E,column), type(E,nominal). [2]
  • :~ channel(E,color), type(E,nominal). [3]

假设我们有 m 个软性约束，pi 为第 i 个约束，每个约束的惩罚为 wi

令 S = {(p1, w1)… (pi, wi)} npi(v)是 v 这种视图违反软约束 pi 的次数，那么 Cost 可以定义为：

这样我们通过求解器可以通过这些权值得到不同可视化图表的偏好。

User Study

比较试验

本文将 Draco 与 voyager2 中使用的 CompassQL 求解算法做比较，将 CompassQL 中的规定转成 Draco 中的 -: X(硬规则)，将 CompassQL 中的偏化转成 Draco 中的 ~:X(软规则)。实验结果可以发现，CompassQL 中复杂的规则语句在 Draco 只需要短短几句。

使用 rankSVM 训练软约束参数

本文使用 lY. Kim and J. Heer. Assessing effects of task and data distribution on the effectiveness of visual encodings,和 lB. Saket, A. Endert, and C. Demiralp. Task-based effectiveness of basic visualizations. 所用到的实验数据，训练软约束参数，获得了比原先自定义不同的可视化结果。

Conclusion

作为今年 infovis 的 best paper，本篇文章确实可圈可点，本论文的文档，在线演示可以看https://uwdata.github.io/draco/

总结

  • 本文提出了目前最完整的自动化可视设计框架
  • 这个框架具有高度灵活性和可训练性
  • 未来它将支持推荐更复杂的图表或者仪表盘
  • 这个系统为 理解可视化语法，创新可视化设计，理解不同编码的感知 都- 有不可或缺的作用

Questions & Discussion： ✉️ cadhyz@zju.edu.cn