基本信息

  • 论文: The Sprawlter Graph Readability Metric: Combining Sprawl and Area-aware Clutter
  • 作者: Zipeng Liu, Takayuki Itoh, Jessica Q. Dawson, and Tamara Munzner
  • 来源: IEEE TVCG 2020.

动机

  • 构造自动布局方法需要评价标准
  • 可视化的信达雅
    • 信-忠实:从数据转化到可视表示时不歪曲,不误导,不遗漏。
    • 达-有用:可视化的表现方式自然有效,清楚易用,容易上手,帮助用户达成目标。—对应—>可读性
    • 雅-优美:系统充满美感,给用户优雅的体验。
  • 已有指标缺点
    • 整数限制 (e.g., 统计点和边之间的交叉次数)
    • 单一层级,不考虑多层级(e.g., 子图结构)
    • 只关注是否杂乱,不考虑布局质量 (e.g., 节点无限小,边无限细可以减少重叠)

方法——可读性指标构造

  • 概览
    • 引入面积意识来评价杂乱程度
    • 引入元节点来拓展层级意识
    • 提出sprawlter指标来综合评价蔓延程度和杂乱程度
  • 几何特征映射到惩罚因子

    avatar

    • 节点-节点:重叠面积
    • 节点-边:重叠长度
    • 边-边:角度
  • 构造惩罚因子到杂乱指标的映射函数

    • 需求
      • 严格递增的单调函数:$\forall x_1<x_2, f(x_1)<f(x_2)$
      • 触发即重大(区分重叠很小和没有重叠):$f(0)>>0$
      • 计数校准(显示比整数更复杂的信息):$minPenalty<1<maxPenalty$
      • 局部适用(可以评价一对节点,一对边或点边):是$f_{v_1,v_2}^{NN}(x)$而不止是$f_G^{NN}(x)$
    • 函数构造:$f(x)=(\beta-\alpha)x^\gamma+\alpha M^\gamma (0\leqslant x \leqslant M)$

    avatar

    • 参数解释
      • $\alpha$:指标最小值
      • $\beta$:指标最大值
      • $M$:潜在最大值(e.g.,一个节点的大小是点点重叠的潜在最大值)
      • $\gamma$:弯曲形状(推荐值:NN-0.7;NE-1;EE-2)
      • avatar
  • 考虑蔓延程度(只对节点对有效)
    • 计算覆盖比例:$S(G)=area(G)/area(\bigcup_{v\in V^\mathcal{V}})$
    • 混合蔓延程度和杂乱程度:$T^{NN}(G)=\sqrt{S(G)\dot max\{ A^{NN}(G), 1\}}$
  • 例子

    avatar

    评估

  • 评价对象:38个合成图(包括力引导自造小图和不同布局算法得出的大图)+18个真实图布局
  • 对比方案
    • A:考虑面积的杂乱程度指标(本文提出)
    • C:计数统计
    • S:蔓延比例(本文提出)
    • T:Sprawlter指标(本文提出)
    • D:Dunne等人提出的,计算当前可读性/最优可读性的$[0,1]$指标
  • (结果图可见原文)
  • 结论:本文提出的指标可以更准确地反映人的评价