کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6868378 1439959 2017 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Towards Visualizing Big Data with Large-Scale Edge Constraint Graph Drawing
ترجمه فارسی عنوان
در جهت تجسم داده های بزرگ با نقشه یابی مقیاس محدود عددی
کلمات کلیدی
نمودارهای بزرگ، نیروی کارگردانی، روش های اجرای محدودیت،
ترجمه چکیده
تجسم نقش مهمی در توانایی درک اطلاعات بزرگ دارد. نمودارها ابزارهای حیاتی برای تجزیه و تحلیل بصری از شبکه های داده بزرگ مانند شبکه اجتماعی، بیولوژیکی، ترافیک و امنیت هستند. طراحی گراف به شدت به منظور افزایش ویژگی های زیبایی شناختی (به عنوان مثال، طرح بندی، تقارن، لبه های متقاطع) مورد تحقیق قرار گرفته است. تکنیک های اولیه الهام گرفته از فیزیک بر روی گراف های انتزاعی مصنوعی تمرکز می کنند که وزن / فاصله ی لبه ها اغلب نادیده گرفته می شود یا فرض می شود برابر است. اگر چه رویکردهای اخیر به شبکه های واقع گرایانه پیشرفته افزوده شده است، اکثر آنها برای رسیدن به نمودارهای بسیار بزرگ در مقیاس بزرگ که برای تحلیل های بصری مهم هستند طراحی نشده اند. مشکل این است که روند رسم شده توسط این خواص فیزیکی، در نمودارهای بزرگ و درگیری با فواصل مشخص شده منجر به نتایج ضعیف بصری می شود. تحقیق ما تلاش می کند تا این موانع را از بین ببرد. این مقاله یک تکنیک گرافیکی ساده گرافیکی را ارائه می دهد که هدف آن بهره گیری از زیبایی زیبای گراف های لبه وزن خطی در مقیاس بزرگ است. رویکرد ما با استفاده از تکنیک های الهام بخش مربوط به فیزیک برای ترویج نمودار های زیبایی شناسی و ارائه یک رویکرد مبتنی بر ضعف ضعیف برای رسیدگی به مقیاس بزرگ محاسبات و اهداف رقابتی برای رفع نیازهای وزن و ویژگی های زیبایی شناسی است. این مقاله رویکرد همراه با آزمایشات در هر دو نمودار مصنوعی و واقعی در مقیاس بزرگ شامل بیش از 10،000 گره و مقایسه با روش های پیشرفته را توصیف می کند. نتایج بدست آمده نشان می دهد که نتایج پیشرفت و امیدوار کننده ای نسبت به یک تکنیک رسم نمودار گرافیکی برای هر دو روش تجزیه و تحلیل داده های شبکه مصنوعی و واقعی واقع شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
در جهت تجسم داده های بزرگ با نقشه یابی مقیاس محدود عددی
چکیده انگلیسی
Visualization plays an important role in enabling understanding of big data. Graphs are crucial tools for visual analytics of big data networks such as social, biological, traffic and security networks. Graph drawing has been intensively researched to enhance aesthetic features (i.e., layouts, symmetry, cross-free edges). Early physic-inspired techniques have focused on synthetic abstract graphs whose weights/distances of the edges are often ignored or assumed equal. Although recent approaches have been extended to sophisticated realistic networks, most are not designed to address very large-scale weighted graphs, which are important for visual analyses. The difficulty lies in the fact that the drawing process, governed by these physical properties, oscillates in large graphs and conflicts with specified distances leading to poor visual results. Our research attempts to alleviate these obstacles. This paper presents a simple graph visualization technique that aims to efficiently draw aesthetically pleasing large-scale straight-line weighted edge graphs. Our approach uses relevant physic-inspired techniques to promote aesthetic graphs and proposes a weak constraint-based approach to handle large-scale computing and competing goals to satisfy both weight requirements and aesthetic properties. The paper describes the approach along with experiments on both synthetic and real large-scale weighted graphs including that of over 10,000 nodes and comparisons with state-of-the-art approaches. The results obtained show enhanced and promising outcomes toward a general-purpose graph drawing technique for both big synthetic and real network data analytics.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Big Data Research - Volume 10, December 2017, Pages 21-32
نویسندگان
, ,