36、节点链接图与邻接矩阵表示的实验对比再探

节点链接图与邻接矩阵表示的实验对比再探

1. 引言

网络数据可视化在生物学、工程学和社会科学等领域具有广泛的应用价值。目前，数据可视化领域已经提出了多种网络可视化方法，但对这些方法支持数据读取任务能力的评估研究相对有限。本次研究聚焦于两种最常用的网络可视化技术：节点链接图（NL）和邻接矩阵（AM），通过众包的被试间实验方法，邀请了557名不同的在线用户，对14项任务进行评估，并使用了一个真实世界的数据集。

此前已有一些研究对NL和AM在特定网络类别和任务上进行了比较，结果表明可视化的有效性在很大程度上取决于数据集的属性和数据读取任务的类型。例如，Ghoniem等人的研究发现，这两种可视化方法在支持特定任务时的表现与网络的大小和密度有关。因此，探索NL和AM在不同类型图上的有效性，并使用更广泛的任务进行评估是很有意义的。

本研究使用了一个包含258个节点和1090条边的真实世界无标度数据集，该数据集在结构和规模上与以往评估的网络有所不同。同时，研究评估了14项任务，这些任务经过精心挑选，涵盖了多个任务分类法，其中许多任务在NL和AM表示的背景下尚未被深入研究。

研究结果显示，对于一些关于图拓扑的问题，如“选择节点的所有邻居”“高亮节点是否与指定节点相连”，NL的表现优于AM；在4项测试参与者识别和比较节点组或集群能力的任务中，NL和AM的结果相似，但在一个实例中AM表现更优；在2项记忆任务中，NL和AM的结果相近。

2. 相关工作

为了优化NL和AM可视化，减少杂乱，增强视觉模式的显著性，并支持数据读取任务，研究人员付出了大量努力。NL、AM及其变体长期以来在蛋白质组学数据、脑连接数据、社交网络和工程等多个领域的数据分